基于改进的卷积神经网络的虾苗自动计数研究

发布时间：2022-07-29 18:40

　　虾苗计数是虾苗养殖与交易过程的重要环节。因虾苗个体小、密度大、易失活等特点,导致虾苗出苗计数非常困难。提出了一种卷积神经网络模型的虾苗自动计数技术,先将数据样本中每个目标对象用一个像素的点标注获取真实密度图,再将训练样本输入到改进卷积神经网络学习以便从图像特征生成估计密度图,最后由密度图获得整个视野中的虾苗总数。为验证方法的有效性,以虾苗场拍摄的虾苗图像做数据集并在不同模型上进行对比试验。结果显示:与多列卷积神经网络（MCNN）、拥挤场景识别网络（CSRNet）、上下文感知网络（CAN）等经典网络相比,其平均绝对误差可分别减少7.6、4.8、3.2。研究表明,该方法在均匀背光环境下能够对一定密度的虾苗准确估计其数量,符合虾苗养殖业的计数要求。 

【文章页数】：7 页

【部分图文】：

虾苗标记图像示例

VGGNet网络结构

改进的网络结构

【参考文献】：
期刊论文
[1]Pulsar candidate classification with deep convolutional neural networks[J]. Yuan-Chao Wang,Ming-Tao Li,Zhi-Chen Pan,Jian-Hua Zheng.  Research in Astronomy and Astrophysics. 2019(09)
[2]基于改进TV-L1模型的虾苗计数方法[J]. 季玉瑶,魏伟波,赵增芳,杨振宇.  青岛大学学报(自然科学版). 2018(04)
[3]基于条件生成式对抗网络的数据增强方法[J]. 陈文兵,管正雄,陈允杰.  计算机应用. 2018(11)
[4]基于卷积神经网络的人群计数研究[J]. 袁烨,吴震宇,江先志.  成组技术与生产现代化. 2017(02)
[5]基于改进主成分分析和AdaBoost算法的运动虾苗识别方法[J]. 刘世晶,王帅,陈军,刘兴国,周海燕.  农业工程学报. 2017(01)
[6]应用重量法计量出池日本对虾虾苗的研究[J]. 薛志宁,段吉旺.  河北渔业. 2000(05)
[7]框格式鱼(虾)苗计数法[J]. 张康德.  农村养殖技术. 2000(03)
[8]虾苗光电计数器在国内首次研制成功[J]. 曹汝德.  中国水产. 1988(03)

博士论文
[1]一种金融市场预测的深度学习模型：FEPA模型[D]. 张承钊.电子科技大学 2016

硕士论文
[1]基于密度函数估计的高密图像目标计数算法研究[D]. 张歌.安徽大学 2019



本文编号：3666974