基于深度学习的鱼类识别与检测的算法研究
发布时间：2021-03-27 20:38
鱼类分类识别在渔业资源研究、鱼类知识的科学推广、水产养殖加工、稀有物种保护等领域具有广泛的应用前景。针对大菱鲆、黄鳍鲷、金钱鱼、鲻鱼这四种鱼类,利用PyTorch框架为基础,通过ResNet50网络模型,用不同的算法对其进行分类识别,不断对模型进行优化,对四种鱼类训练学习,通过测试其准确率达到96%以上。同时用PyQt5开发了GUI可视化界面,通过界面图片的选择和预测功能按钮的操作,测试结果实际类别与预测类别一致,用DSOD框架做了水下目标实时跟踪检测,提高了对小目标的检测率,同时保持了模型的检测速度,检测结果达到期望。
【文章来源】：信息技术与网络安全. 2020,39(08)
【文章页数】：6 页
【部分图文】：
网络模型
课题组在前期研究中针对10种鱼类进行分类识别，十种鱼类分别为鲻鱼、巴鲣鱼、金钱鱼、银鲳鱼、大菱鲆、鲈鱼、颌针鱼、黄鳍鲷、绿鳍鱼、黑鲷鱼，共908张图像，设置训练集807，验证集101进行分层采样。前期研究的实验结果如表1所示，分别从precision、recall、f1-score的这几个指标中反映出来，计算这些指标有四个概念：TP、FP、TN、FN,从表1可以看出，该模型的准确率和召回率都比较高。本文实验选择其中四种鱼类，分别为大菱鲆、黄鳍鲷、金钱鱼、鲻鱼，并且增加了每种鱼类的数量，共1 123张图像，每种鱼类设置验证集42张图像，剩余的图片用作训练学习。本文是在PyTorch框架下，使用ResNet50网络模型进行实验，分类识别用的优化器是Adam，该模型的参数设置如下，学习率1e-4,lr＿decay=1e-4,weight＿decay=1e-4。如图3(a)所示，横坐标为迭代次数，纵坐标为损失。从图中可以看出随着迭代次数的增加损失值逐渐下降，迭代次数2 000次之前下降速率较快，往后曲线逐渐平稳。图3(b)所示为随迭代次数的增加识别准确率的变化，从图中可以看出随着迭代次数的增加准确率逐渐增加，当迭代次数为2 000次的时候，训练准确率达到90%以上，当迭代次数达到8 000次的时候，训练准确率达到95%以上，之后持续为平稳状态。同时，数据结果显示该模型收敛速度快，识别精度高，验证集误差小。
本文用于实验检测的视频来源于Labeled fishes in the wild[18]。目标检测的训练配置参数如下，初始学习率0.01,momentum=0.9,weight＿decay=5e-4，学习率采用自适应的学习率下降策略，当学习率停滞不降一定次数之后，降低学习率。目标检测结果如图5所示，通过图(a)可以发现，该检测框架对于比较小的物体也能够检测出来，图中有一些小的目标，由于水下的恶劣环境的原因，并没有完全检测出来，在水下基础设施较好的情况下，可以达到较好的检测效果，视频中出现的鱼类都能准确地标注出来，检测效果很明显，而且DSOD继承了SSD的检测速度快的优点，对于遗漏小目标的缺点得到提升。图4 PyQt5可视化界面
【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ResNet50网络的十种鱼类图像分类识别研究[J]. 王文成,蒋慧,乔倩,祝捍皓,郑红. 农村经济与科技. 2019(19)
[3]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)
[4]小样本情况基于深度学习的水下目标识别研究[J]. 梁红,金磊磊,杨长生. 武汉理工大学学报(交通科学与工程版). 2019(01)
[5]基于深度学习的海底观测视频中鱼类的识别方法[J]. 张俊龙,曾国荪,覃如符. 计算机应用. 2019(02)
[6]基于机器视觉的淡水鱼品种识别[J]. 姚润璐,桂詠雯,黄秋桂. 微型机与应用. 2017(24)
[7]深度学习在鱼类图像识别与分类中的应用[J]. 林明旺. 数字技术与应用. 2017(04)
[8]基于渔获物统计的中国近海鱼类营养级结构变换及其与捕捞作业的关系[J]. 李继龙,曹坤,丁放,杨文波,沈公铭,李应仁. 中国水产科学. 2017(01)
[9]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)
本文编号：3104182
【文章来源】：信息技术与网络安全. 2020,39(08)
【文章页数】：6 页
【部分图文】：
网络模型
课题组在前期研究中针对10种鱼类进行分类识别，十种鱼类分别为鲻鱼、巴鲣鱼、金钱鱼、银鲳鱼、大菱鲆、鲈鱼、颌针鱼、黄鳍鲷、绿鳍鱼、黑鲷鱼，共908张图像，设置训练集807，验证集101进行分层采样。前期研究的实验结果如表1所示，分别从precision、recall、f1-score的这几个指标中反映出来，计算这些指标有四个概念：TP、FP、TN、FN,从表1可以看出，该模型的准确率和召回率都比较高。本文实验选择其中四种鱼类，分别为大菱鲆、黄鳍鲷、金钱鱼、鲻鱼，并且增加了每种鱼类的数量，共1 123张图像，每种鱼类设置验证集42张图像，剩余的图片用作训练学习。本文是在PyTorch框架下，使用ResNet50网络模型进行实验，分类识别用的优化器是Adam，该模型的参数设置如下，学习率1e-4,lr＿decay=1e-4,weight＿decay=1e-4。如图3(a)所示，横坐标为迭代次数，纵坐标为损失。从图中可以看出随着迭代次数的增加损失值逐渐下降，迭代次数2 000次之前下降速率较快，往后曲线逐渐平稳。图3(b)所示为随迭代次数的增加识别准确率的变化，从图中可以看出随着迭代次数的增加准确率逐渐增加，当迭代次数为2 000次的时候，训练准确率达到90%以上，当迭代次数达到8 000次的时候，训练准确率达到95%以上，之后持续为平稳状态。同时，数据结果显示该模型收敛速度快，识别精度高，验证集误差小。
本文用于实验检测的视频来源于Labeled fishes in the wild[18]。目标检测的训练配置参数如下，初始学习率0.01,momentum=0.9,weight＿decay=5e-4，学习率采用自适应的学习率下降策略，当学习率停滞不降一定次数之后，降低学习率。目标检测结果如图5所示，通过图(a)可以发现，该检测框架对于比较小的物体也能够检测出来，图中有一些小的目标，由于水下的恶劣环境的原因，并没有完全检测出来，在水下基础设施较好的情况下，可以达到较好的检测效果，视频中出现的鱼类都能准确地标注出来，检测效果很明显，而且DSOD继承了SSD的检测速度快的优点，对于遗漏小目标的缺点得到提升。图4 PyQt5可视化界面
【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ResNet50网络的十种鱼类图像分类识别研究[J]. 王文成,蒋慧,乔倩,祝捍皓,郑红. 农村经济与科技. 2019(19)
[3]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)
[4]小样本情况基于深度学习的水下目标识别研究[J]. 梁红,金磊磊,杨长生. 武汉理工大学学报(交通科学与工程版). 2019(01)
[5]基于深度学习的海底观测视频中鱼类的识别方法[J]. 张俊龙,曾国荪,覃如符. 计算机应用. 2019(02)
[6]基于机器视觉的淡水鱼品种识别[J]. 姚润璐,桂詠雯,黄秋桂. 微型机与应用. 2017(24)
[7]深度学习在鱼类图像识别与分类中的应用[J]. 林明旺. 数字技术与应用. 2017(04)
[8]基于渔获物统计的中国近海鱼类营养级结构变换及其与捕捞作业的关系[J]. 李继龙,曹坤,丁放,杨文波,沈公铭,李应仁. 中国水产科学. 2017(01)
[9]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)
本文编号：3104182
本文链接：https://www.wllwen.com/nykjlw/scyylw/3104182.html
