基于深度学习的鱼类识别研究

发布时间：2020-08-01 13:45

【摘要】：海洋渔业经济资源的不断衰退,使得沿海各国不断加强本国领海内渔业资源的管理与养护工作,作为渔业管理监察方式之一的船载电子监控可以不间断地监测渔船的捕鱼行为,但是需要人工通过渔船存储的海量监控视频数据来核查渔获量以及检查是否有非法捕捞行为。人工审查的判断精确性容易受到视觉疲劳、自身心情和工作环境等内外因素的困扰,再加上越来越高昂的人工支出,船载电子监控视频审查需要一种能自动检测和分类识别鱼类的方法辅助审查。传统的鱼类识别方法主要是采用人工设计特征,特征均是针对特定产品设计的,一旦产品变换,算法也需要更换,不具有通用性;人工特征提取需要专家经验,对算法人员专业性要求较高。人工特征提取的局限性导致传统方法在背景、光照复杂的监控视频场景下识别效果不佳。针对上述问题,本文提出了一种基于深度学习的鱼类识别方法。本文的主要工作和成果如下:1.本文收集并制作包含长鳍金枪鱼,大眼金枪鱼,黄鳍金枪鱼等7类,共计4520张电子监控背景的鱼类数据集,标记鱼类目标共计5424个。针对电子监控图像有水雾遮挡画面,本文采用暗通道先验算法对图像进行增强,改善图像颜色和能见度,减少了水雾对人工数据集标注和图像识别带来的影响。2.对基于区域候选的目标检测网络进行实验对比,选择并改进Faster-RCNN模型作为鱼类目标检测网络。针对鱼类目标细长的特点和堆叠过近易出现漏检的情况,分别优化了RPN网络的锚窗参数和改进非极大值抑制算法的分数重构函数,最终取得了较好的鱼类检测效果,mAP达到了81.9%。3.为了进一步提高鱼类目标的定位与分类,本文提出了将鱼类识别任务分为两个子任务,第一个子任务为鱼目标定位,通过Faster-RCNN网络进行单类目标定位,裁剪出感兴趣区域。第二个子任务为鱼品类分类,将被裁剪图像输入参数精简的Inception-Resnet卷积神经网络进行细粒度分类。该方法结合了目标检测网络和分类网络的优点,使得整个鱼类识别任务达到了更优的结果。
【学位授予单位】：浙江工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TP183;S951.2
【图文】：

多层感知机结构

MLP多层感知机的单个神经元模型

Lenet-5卷积神经网络

【参考文献】

相关期刊论文 前5条

1 杜伟东;李海森;魏玉阔;徐超;;基于SVM的多方位声散射数据协作融合鱼分类与识别[J];农业机械学报;2015年03期

2 吴一全;殷骏;戴一冕;袁永明;;基于蜂群优化多核支持向量机的淡水鱼种类识别[J];农业工程学报;2014年16期

3 吴进;宋骁;张金焕;;雾天退化图像的增强技术研究[J];新型工业化;2014年02期

4 万鹏;潘海兵;龙长江;陈红;;基于机器视觉技术淡水鱼品种在线识别装置设计[J];食品与机械;2012年06期

5 张志强;牛智有;赵思明;;基于机器视觉技术的淡水鱼品种识别[J];农业工程学报;2011年11期

本文编号：2777535