基于迁移学习的复杂场景鱼类识别方法研究
发布时间：2021-04-02 23:26
海洋渔业过度捕捞严重威胁着渔业生态安全,捕捞监管是维护海洋渔业生态的主要途径之一,但监管部门也面临着监管手段和方法相对滞后的困境,捕捞监管系统智能化升级是解决这一困境的有效途径,而具有较高精度和较强泛化性的鱼类识别方法则是智能化升级的关键。本文主要运用基于迁移学习的图像分类和目标检测技术研究了专门针对海洋渔业捕捞监管复杂场景下的鱼类识别方法。针对捕捞监管实际工作场景,分别从上岸识别场景和实时检测场景展开研究工作。首先,解决了图像分类任务数据量较少的问题。训练数据集来自数据科学竞赛平台Kaggle,为了使数据分布更加合理,采用分层抽样的方法将该数据集分为训练集、验证集和测试集3部分。为了避免出现过拟合问题,需要对数据进行增广。比较了Lucid Data方法和常见数据增广方法的优缺点,最终选用了包括反转、裁剪、平移等常见方法进行数据增广。另外,针对目标检测任务则使用了LabelImg软件对数据进行标注。其次,提出了一种基于迁移学习模型融合的鱼类识别方法。基于AlexNet、InceptionV3、ResNet50三种模型,保留它们的特征提取部分,在其之后接入新的结构模块,形成新的待训练网络...
【文章来源】：大连海洋大学辽宁省
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
人脑神经系统图
7第2章基本理论和方法2.1神经元模型自从认识到人脑计算和传统的数字计算机相比是完全不同的方式开始，关于人工神经网络的研究工作就开始了[42]。人脑是一个高度复杂的、非线性的和并行的计算机[42]。人脑神经元的功能就是接受信息和处理信息，数量巨大的神经元可以帮助人类处理极其复杂的信息。人的神经系统可以看作由三个环节组成，如图2-1所示。人脑持续接受由感受器传导而来的刺激信息，感受器把外界刺激转化为人脑可以识别的电信号，人脑对刺激作出反应以后传出的电信号经由效应器转化为可识别的响应，作为整个神经系统的输出[42]。图2-1人脑神经系统图Figure2-1Neuralsystemofhumanbrain经由人脑神经系统的启发，人们搭建了神经元模型，其结构如图2-2所示。图2-2神经元模型Figure2-2Theneuronmodel其中1，2，……，是模型的输入，1，2，……，是输入神经元信号的权重，为神经网络的偏置，为神经元的激活函数。因此，模型的输出可以表示为：2.12.2卷积神经网络2.2.1基本原理早期的神经网络基本都是全连接神经网络，属于浅层学习的范畴，隐藏层数量一般在2层到3层。而且，早期的人工神经网络通常使用线性激活函数，没有非线性因素，无法
8处理较为复杂的问题。近年来，在相对复杂的图像问题上一般采用卷积神经网络的模型去处理[43]。卷积神经网络本质上是一种层次模型。原始数据经由输入层传入，通过卷积、非线性激活函数映射、池化等一系列操作的层层堆叠，将低层次的具象信息逐层提取表示为高层次的抽象信息，这个过程就是前向传播[44]。最终，卷积神经网络的最后一层把目标任务形式化为损失函数，把预测结果和真实结果进行对比，得到误差后凭借反向传播算法（Backpropagation）[45]将其由最后一层逐层前传，参数校正更新后再次进行前向传播，如此往复，直到最后模型收敛[44]。2.2.2基本结构2.2.2.1输入层输入层作为卷积神经网络的第一层，起到的主要作用是读取图像数据，把原始不同大小尺寸的图像转换为同一尺寸，并将其转化为相对应的张量表示。2.2.2.2卷积层卷积层在整个卷积神经网络中起核心作用，它会把以像素形式表示的图像进行特征的提龋卷积过程如图2-3所示，卷积操作从原始图像的（0，0）像素点开始进行，卷积核中参数与原始图像中相对应的像素点位置进行按位相乘再求和。如图2-3(a-c)所示，卷积从左到右、从上到下滑动，每次滑动的距离叫做卷积的步长，卷积操作的输出就是这个卷积核提取的特征，这个特征也将作为下一层的输入。（a)第一次卷积操作（b)第二次卷积操作（c)第九次卷积操作图2-3卷积操作示例Figure2-3Examplediagramofconvolutionoperation
【参考文献】：
期刊论文
[1]基于Faster R-CNN和图像增强的水下鱼类目标检测方法[J]. 袁红春,张硕. 大连海洋大学学报. 2020(04)
[2]基于改进YOLO和迁移学习的水下鱼类目标实时检测[J]. 李庆忠,李宜兵,牛炯. 模式识别与人工智能. 2019(03)
[3]复杂背景下基于MobileNets的花卉识别与模型剪枝[J]. 孔英会,朱成诚,车辚辚. 科学技术与工程. 2018(19)
[4]基于迁移学习的水产动物图像识别方法[J]. 王柯力,袁红春. 计算机应用. 2018(05)
[5]深度学习在目标视觉检测中的应用进展与展望[J]. 张慧,王坤峰,王飞跃. 自动化学报. 2017(08)
[6]基于SVM的决策融合鱼类识别方法[J]. 杜伟东,李海森,魏玉阔,徐超. 哈尔滨工程大学学报. 2015(05)
[7]基于蜂群优化多核支持向量机的淡水鱼种类识别[J]. 吴一全,殷骏,戴一冕,袁永明. 农业工程学报. 2014(16)
[8]基于鱼体回声图像的鱼类识别算法[J]. 傅小康,郑建立,王润田. 测试技术学报. 2006(02)
硕士论文
[1]基于深度学习的鱼类识别研究[D]. 胡涛.浙江工业大学 2019
[2]基于卷积神经网络的图像目标检测方法研究[D]. 周佳怡.重庆大学 2017
本文编号：3116156
【文章来源】：大连海洋大学辽宁省
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
人脑神经系统图
7第2章基本理论和方法2.1神经元模型自从认识到人脑计算和传统的数字计算机相比是完全不同的方式开始，关于人工神经网络的研究工作就开始了[42]。人脑是一个高度复杂的、非线性的和并行的计算机[42]。人脑神经元的功能就是接受信息和处理信息，数量巨大的神经元可以帮助人类处理极其复杂的信息。人的神经系统可以看作由三个环节组成，如图2-1所示。人脑持续接受由感受器传导而来的刺激信息，感受器把外界刺激转化为人脑可以识别的电信号，人脑对刺激作出反应以后传出的电信号经由效应器转化为可识别的响应，作为整个神经系统的输出[42]。图2-1人脑神经系统图Figure2-1Neuralsystemofhumanbrain经由人脑神经系统的启发，人们搭建了神经元模型，其结构如图2-2所示。图2-2神经元模型Figure2-2Theneuronmodel其中1，2，……，是模型的输入，1，2，……，是输入神经元信号的权重，为神经网络的偏置，为神经元的激活函数。因此，模型的输出可以表示为：2.12.2卷积神经网络2.2.1基本原理早期的神经网络基本都是全连接神经网络，属于浅层学习的范畴，隐藏层数量一般在2层到3层。而且，早期的人工神经网络通常使用线性激活函数，没有非线性因素，无法
8处理较为复杂的问题。近年来，在相对复杂的图像问题上一般采用卷积神经网络的模型去处理[43]。卷积神经网络本质上是一种层次模型。原始数据经由输入层传入，通过卷积、非线性激活函数映射、池化等一系列操作的层层堆叠，将低层次的具象信息逐层提取表示为高层次的抽象信息，这个过程就是前向传播[44]。最终，卷积神经网络的最后一层把目标任务形式化为损失函数，把预测结果和真实结果进行对比，得到误差后凭借反向传播算法（Backpropagation）[45]将其由最后一层逐层前传，参数校正更新后再次进行前向传播，如此往复，直到最后模型收敛[44]。2.2.2基本结构2.2.2.1输入层输入层作为卷积神经网络的第一层，起到的主要作用是读取图像数据，把原始不同大小尺寸的图像转换为同一尺寸，并将其转化为相对应的张量表示。2.2.2.2卷积层卷积层在整个卷积神经网络中起核心作用，它会把以像素形式表示的图像进行特征的提龋卷积过程如图2-3所示，卷积操作从原始图像的（0，0）像素点开始进行，卷积核中参数与原始图像中相对应的像素点位置进行按位相乘再求和。如图2-3(a-c)所示，卷积从左到右、从上到下滑动，每次滑动的距离叫做卷积的步长，卷积操作的输出就是这个卷积核提取的特征，这个特征也将作为下一层的输入。（a)第一次卷积操作（b)第二次卷积操作（c)第九次卷积操作图2-3卷积操作示例Figure2-3Examplediagramofconvolutionoperation
【参考文献】：
期刊论文
[1]基于Faster R-CNN和图像增强的水下鱼类目标检测方法[J]. 袁红春,张硕. 大连海洋大学学报. 2020(04)
[2]基于改进YOLO和迁移学习的水下鱼类目标实时检测[J]. 李庆忠,李宜兵,牛炯. 模式识别与人工智能. 2019(03)
[3]复杂背景下基于MobileNets的花卉识别与模型剪枝[J]. 孔英会,朱成诚,车辚辚. 科学技术与工程. 2018(19)
[4]基于迁移学习的水产动物图像识别方法[J]. 王柯力,袁红春. 计算机应用. 2018(05)
[5]深度学习在目标视觉检测中的应用进展与展望[J]. 张慧,王坤峰,王飞跃. 自动化学报. 2017(08)
[6]基于SVM的决策融合鱼类识别方法[J]. 杜伟东,李海森,魏玉阔,徐超. 哈尔滨工程大学学报. 2015(05)
[7]基于蜂群优化多核支持向量机的淡水鱼种类识别[J]. 吴一全,殷骏,戴一冕,袁永明. 农业工程学报. 2014(16)
[8]基于鱼体回声图像的鱼类识别算法[J]. 傅小康,郑建立,王润田. 测试技术学报. 2006(02)
硕士论文
[1]基于深度学习的鱼类识别研究[D]. 胡涛.浙江工业大学 2019
[2]基于卷积神经网络的图像目标检测方法研究[D]. 周佳怡.重庆大学 2017
本文编号：3116156
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3116156.html
