基于卷积神经网络的淡水鱼分类识别

发布时间：2021-04-15 22:21

　　针对淡水鱼传统分类方法人工提取特征复杂、通用性差以及精确度不高等问题,基于深度学习技术,采用卷积运算对输入的淡水鱼数据集图片逐层进行学习,提取淡水鱼的颜色、纹理及形状等特征信息,实现淡水鱼快速准确的分类识别.系统在VGG16网络模型基础上,通过添加批量归一化层,优化网络的激活函数,采用交叉熵损失函数,使用原数据集上训练的模型权重参数值,构建了改进的VGG16网络淡水鱼识别模型,对输入的5种不同淡水鱼种类数据集进行种类识别.并与AlexNet、VGGNet16以及ResNet50等网络进行比较实验,实验训练结果表明,模型训练集测试的准确率为99.18%,测试集上测试的准确率为95.87%,改进的VGG16网络加速了模型的收敛,提高了网络模型的泛化性能,能够实现淡水鱼种类的分类识别. 

【文章来源】：西南民族大学学报(自然科学版). 2020,46(06)

【文章页数】：8 页

【部分图文】：

图６部分卷积层可视化特征图??Ｆｉｇ．?６?Ｐａｒｔｉａｌ?ｅｏｉｉｖｏｌｊｊｔｔｅｊｉａｌ?ｌａｙ＾ｒ?ｖｉｓｕａｌｉｚａｔｏｉｉ?ｆｃａｔｕｉ＇ｅ?ｉｎａｐ??

第６期??杨春．兰：基于卷积神经网絡的淡水裘？．分类识别??６１５??据集数据的多样性．卖验対５类淡水鱼图，片进行分类?２０％共２００张（每类４０张＞用作模型测试．鲢鱼、黑??以及标注．，每类淡水鱼图片２００张，共计１?０００张，＃?鱼、黄鱭鱼、鯽鱼以及罗非鱼分别采用淡水鱼序号１??把其中８０％：共８００张（每类１６０张）进行模型训练，?￣５代表，淡水鱼训练样本示例圈片如画３所示．??（ａ）鲢鱼?（ｂ）黑鱼?（ｃ）黄颡鱼?（ｄ）鲫鱼?（ｅ）罗非鱼??图３淡水鱼训练样本示例??Ｆｉｇ．?３?Ｅｘａｍｐｌｅｓ?ｏｆ?ｆｒｅｓｈＭ－ａｔｅｒ?ｆｉｓｈ?ｔｒａｉｎｉｎｇ?ｓａｍｐｌｅ??为了防止淡水鱼数据集过小而造成过拟合，对训?的翅片为３００像素ｘ?３００像素Ｖ．Ｍ过随机旋转及亮：度??练图片进行旋转，亮度变换以及对比度处理，增加训?对比度调整后的预处理之后的图片如图４所示．??练数据，并对输入图片进行归一化操作，处理后：褥到??（ａ）旋转后图片??（ｂ）亮度对比度调整后图片??图４图像预处理示例??Ｆｉｇ．?４?Ｅｘａｍｐｌｅｓ?ｏｆ?ｉｍａｇｅ?ｐｒｅｐｒｏｃｅｓｓｉｎｇ??２．３网络的训练过程及结果??系统选用ＴｅｍｏｒＦｋｗ学习框架对网络迸行训练??以及验证测试，为了提升网络训练的效率以及性能，??把ＶＧＧ１６网络在原数据集上训练的模型权重参数作??为系统的初始参数值次从训练数据集中抽取的??ｂｕｔｄｓｉｚｆｊ．?＿数鐘为３２，攀＿率＿初：始１億设为＿?０．?０００１．??网舉选用．Ａｄａｍ［?｜９］?．（Ａｄａｐｔｉｖｅ?．Ｍｏｍｅｎｔ?Ｅｓｔｉｒｆｌａｔｉｔｔｎ）优化??算法对系统进行优化训练．系统每

中８０％：共８００张（每类１６０张）进行模型训练，?￣５代表，淡水鱼训练样本示例圈片如画３所示．??（ａ）鲢鱼?（ｂ）黑鱼?（ｃ）黄颡鱼?（ｄ）鲫鱼?（ｅ）罗非鱼??图３淡水鱼训练样本示例??Ｆｉｇ．?３?Ｅｘａｍｐｌｅｓ?ｏｆ?ｆｒｅｓｈＭ－ａｔｅｒ?ｆｉｓｈ?ｔｒａｉｎｉｎｇ?ｓａｍｐｌｅ??为了防止淡水鱼数据集过小而造成过拟合，对训?的翅片为３００像素ｘ?３００像素Ｖ．Ｍ过随机旋转及亮：度??练图片进行旋转，亮度变换以及对比度处理，增加训?对比度调整后的预处理之后的图片如图４所示．??练数据，并对输入图片进行归一化操作，处理后：褥到??（ａ）旋转后图片??（ｂ）亮度对比度调整后图片??图４图像预处理示例??Ｆｉｇ．?４?Ｅｘａｍｐｌｅｓ?ｏｆ?ｉｍａｇｅ?ｐｒｅｐｒｏｃｅｓｓｉｎｇ??２．３网络的训练过程及结果??系统选用ＴｅｍｏｒＦｋｗ学习框架对网络迸行训练??以及验证测试，为了提升网络训练的效率以及性能，??把ＶＧＧ１６网络在原数据集上训练的模型权重参数作??为系统的初始参数值次从训练数据集中抽取的??ｂｕｔｄｓｉｚｆｊ．?＿数鐘为３２，攀＿率＿初：始１億设为＿?０．?０００１．??网舉选用．Ａｄａｍ［?｜９］?．（Ａｄａｐｔｉｖｅ?．Ｍｏｍｅｎｔ?Ｅｓｔｉｒｆｌａｔｉｔｔｎ）优化??算法对系统进行优化训练．系统每次抽取３２个训练??图像输人网络进行训练，通过神绿网络的３Ｅ向传播训??练获得预测值，计算获得预测值与实际值间的误差??氧系统采用早停的方法防止训练产生过拟含，假如??验证集？養收敛训练停止？或系统迭代的次数到达预??先的设定数值训练停止，否则继续训练过程．系统通??过反向传播误靠


本文编号：3140189