基于深度学习的刺网与拖网作业类型识别研究

发布时间：2021-06-17 10:23

　　渔船作业类型可分为多种,作为典型近海捕捞作业方式的刺网和拖网捕捞渔船可占总船数的72.6%,准确的渔船作业类型识别可辅助渔船管理。利用北斗渔船监控系统（vessel monitoring system,VMS）数据提出一种对刺网和拖网作业分类识别的方法,因拖网和刺网渔船作业轨迹存在一定的差别,研究先提取出每艘船的航次信息,然后根据航次信息将原始刺网和拖网每条船的VMS划分为多个航次数据,根据航次数据中的经纬度数据批量画出每个航次的航迹图,再利用深度卷积神经网络模型对航迹图进行训练学习,进而实现刺网和拖网作业类型分类识别。通过使用自定义的10层CNN模型及使用迁移学习和模型微调方法调整后的VGG-16模型进行对比实验,结果显示,自定义的CNN模型最终精度为94.3%,证明了本方法的可行性,模型可用于辅助刺网、拖网作业类型判断。 

【文章来源】：海洋渔业. 2020,42(02)北大核心CSCD

【文章页数】：12 页

【部分图文】：

研究实验流程图

图2为渔船航次示意图,格网中心点为港口。图2中有2个航次,分别是航次1和航次2。航次1从港口格网A出发,经过海上捕捞作业,在港口格网C返港;航次2从港口格网D出发,经过海上捕捞作业,在港口格网D返港。1.3.2 航迹图生成方法

航迹图生成流程示意图

【参考文献】：
期刊论文
[1]基于卷积神经网络的孤立词语音识别[J]. 侯一民,李永平.  计算机工程与设计. 2019(06)
[2]基于深度学习网络的乳腺癌图片分类研究[J]. 程年,俞晨,宁静艳.  软件导刊. 2019(08)
[3]FVID: Fishing Vessel Type Identification Based on VMS Trajectories[J]. HUANG Haiguang,HONG Feng,LIU Jing,LIU Chao,FENG Yuan,GUO Zhongwen.  Journal of Ocean University of China. 2019(02)
[4]深度学习分类网络研究及其在计算机视觉中的应用[J]. 王一帏.  通讯世界. 2019(03)
[5]基于北斗船位数据的海南省渔船航次动态监测与分析[J]. 张胜茂,樊伟,张衡,杨胜龙,唐峰华,朱文斌.  南方水产科学. 2018(05)
[6]基于卷积神经网络的空心村高分影像建筑物检测方法[J]. 李政,李永树,吴玺,刘刚,鲁恒,唐敏.  农业机械学报. 2017(09)
[7]基于卷积神经网络的鲜茶叶智能分选系统研究[J]. 高震宇,王安,刘勇,张龙,夏营威.  农业机械学报. 2017(07)
[8]基于NPP/VIIRS夜光遥感影像的作业灯光围网渔船识别[J]. 郭刚刚,樊伟,薛嘉伦,张胜茂,张衡,唐峰华,程田飞.  农业工程学报. 2017(10)
[9]基于神经网络和VMS的渔船捕捞类型辨别[J]. 郑巧玲,樊伟,张胜茂,张衡,王晓旋,郭刚刚.  南方水产科学. 2016(02)
[10]船位监控系统数据挖掘与应用研究进展[J]. 郭刚刚,樊伟,张胜茂,郑巧玲,王晓璇.  海洋渔业. 2016(02)



本文编号：3235014