基于深度学习的鱼类检测研究与应用

发布时间：2021-05-22 04:24

　　我国海洋国土面积广阔,拥有极其丰富的海洋资源。渔业资源作为海洋资源的的重要组成部分,对鱼类的检测识别研究能够更好地辅助调查捕捞工作及水源水质监测工作,并为增强渔业资源保护与管理能力提供理论依据。近年来水下视频图像领域的研究不断深入,为鱼类的检测识别研究提供了一定的借鉴作用。然而水下视频图像背景复杂,鱼类形态变化万千,使得快速准确定位和识别水下环境中的鱼类目标面临诸多挑战。现存检测识别方法大都基于有监督的学习,需要消耗大量的人力物力。随着人工智能的发展,深度学习以强大的内部网络自动提取特征能力和高精度的识别效果在图像识别领域掀起热潮,这为鱼类检测识别提供了新思路和新方法。本文在研究深度学习相关理论后,为水下鱼类视频图像构建了卷积神经网络来促进捕捞监管系统的智能化,具体内容包括以下几个方面:（1）本文收集并制作了草金鱼、地图鱼、黄鳍鲳等30种共4737张包含复杂背景的淡水鱼类数据集Fish30Image?并采用残差网络迁移学习方法对Fish30Image数据集和包含23种共27 370张的海水鱼类数据集Fish4Knowledge进行训练,之后经过softmax分类器得到最终的鱼种分类结果... 

【文章来源】：浙江农林大学浙江省

【文章页数】：65 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
1 绪论
    1.1 课题背景及意义
    1.2 研究现状及分析
        1.2.1 图像识别研究现状
        1.2.2 目标检测研究现状
        1.2.3 鱼类检测识别研究现状
    1.3 研究内容和组织结构
        1.3.1 主要研究内容及创新点
        1.3.2 本文的组织结构
    1.4 总体技术路线图
2 数据集的建立
    2.1 数据增强技术
    2.2 鱼类识别试验数据集
        2.2.1 Fish4Knowledge数据集
        2.2.2 Fish30Image数据集
    2.3 多目标鱼体检测数据集
        2.3.1 Labeled Fishes in the Wild数据集
        2.3.2 VOC格式数据集制作
3 基于Res Net迁移学习的鱼类识别
    3.1 残差网络与迁移学习
        3.1.1 残差网络结构
        3.1.2 常用激活函数
        3.1.3 迁移学习实现
    3.2 基于Adam算法的网络优化
    3.3 识别环境及流程设置
    3.4 基于迁移学习的网络优化试验
        3.4.1 迁移学习学习率选择
        3.4.2 迁移学习批处理量选择
        3.4.3 微调网络对比实验
        3.4.4 模型效果验证
    3.5 鱼类识别方法性能对比
        3.5.1 不同网络模型对比分析
        3.5.2 与传统鱼类识别方法比较
    3.6 本章小结
4 基于改进Retina Net的多目标鱼体检测
    4.1 Retina Net目标检测模型
        4.1.1 损失函数Focal Loss
        4.1.2 锚框生成方案
    4.2 深度可分离卷积
    4.3 训练设置和评价指标
        4.3.1 试验环境设置
        4.3.2 性能评价指标
    4.4 试验结果与分析
        4.4.1 特征提取器优化分析
        4.4.2 数据增强效果分析
        4.4.3 迁移学习优化分析
        4.4.4 优化算法对比分析
        4.4.5 深度可分离卷积优化分析
    4.5 鱼类目标检测方法性能对比
        4.5.1 不同算法下的多目标鱼体检测效果分析
        4.5.2 与传统多目标鱼体检测方法比较
    4.6 本章小结
5 基于Android的鱼类识别系统设计
    5.1 系统需求分析
    5.2 系统架构设计
    5.3 系统环境介绍
    5.4 功能模块实现
        5.4.1 图像获取模块
        5.4.2 图像识别模块
        5.4.3 信息展示模块
    5.5 系统测试
    5.6 本章小结
6 总结与展望
    6.1 总结
    6.2 展望
参考文献
作者在读期间发表的学术论文
致谢



本文编号：3200976