基于ResNet50和迁移学习的红鳍东方鲀病鱼检测方法

针对红鳍东方鲀病鱼样本数量少、检测准确率不高等问题,提出一种基于ResNet50和迁移学习的红鳍东方鲀病鱼检测方法。首先使用ResNet50在ImageNet数据集上进行模型预训练;然后基于预训练结果构建了红鳍东方鲀病鱼检测ResNet50网络,将经过预训练的、包含16个残差块的模型权重迁移到构建的ResNet50网络中进行模型权重初始化以降低训练成本;为进一步提高检测的准确性,在构建的ResNet50网络模型的最后一个卷积层后面加入反卷积层用以学习目标中的细节信息;最后,用红鳍东方鲀健康鱼和病鱼图像构建了数据集,并采用翻转、旋转、随机裁剪、色度变化和添加噪声等方法进行了数据增广,以增加数据样本的多样性,进而提高检测方法的鲁棒性。在所构建的数据集上进行了试验,试验结果表明,基于ResNet50和迁移学习的红鳍东方鲀病鱼检测方法准确率可以达到99%,与ResNet18、ResNet34、ResNet101和ResNet152不同深度的残差网络相比,分别约提升了10.7%、6.6%、6.2%和5.6%,在与不加入反卷积的ResNet50残差网络相比,约提升0.4%的精度。研究表明,采用基于ResNet50和迁移学习的方法,有效地解决了红鳍东方鲀病鱼样本少和准确率不高的问题,为红鳍东方鲀病鱼检测提供了新方法。     

基于迁移学习和金字塔卷积网络的河蟹个体图像识别方法研究

针对目前河蟹追溯成本高、消费者无法细粒度地追溯单体河蟹信息等问题,提出一种基于迁移学习和金字塔卷积的河蟹背甲图像个体识别算法。该算法使用金字塔卷积层替换普通残差卷积块构建网络模型,可以从蟹背图像中提取多尺度、深层次的特征信息。结果显示:采用金字塔卷积结构的Resnet34和Resnet50的准确率分别为98.38%、98.51%,与使用普通卷积层的模型相比,准确率提升5.49%、1.3%,而当模型深度达到101层时,模型性能不再明显提升。与使用金字塔卷积结构的全新学习模型相比,迁移学习方法的训练收敛迭代轮次从20轮降低至5轮,此时模型准确率为98.88%,较全新学习的准确率提升0.37%,同时弥补了样本量较少的问题。该研究为河蟹个体识别追溯提供了理论依据和技术支持。     

基于显著性增强和迁移学习的鱼类识别研究

针对水下鱼类无法快速准确识别的难点,提出一种具有图像主体自动增强功能的鱼类迁移学习方法。该方法将鱼类RGB图像转换至Lab颜色空间后,利用中央周边算子计算得到整个输入图像的显著性值,进而提供鱼类目标的潜在区域,并结合GrabCut算法获取鱼类分割图像,最终将融合分割图的原始图像送入优化后的残差网络中进行训练。通过对23种鱼类进行识别试验,结果显示,固定ImageNet数据集上ResNet-50预训练模型的conv1层和conv2层参数,微调高层参数的方法能够取得最好的识别效果,且在公开的Fish4Knowledge数据集上,该模型取得了最高的识别准确率,平均识别精度达到99.63%。与其他卷积神经网络方法的对比结果显示,本方法在Fish4Knowledge和Fish30Image数据集上的识别精度和时间性能均具有较大优势,其中识别准确率至少提升4.98%。多个数据集上的试验验证了模型的有效性。     

基于卷积神经网络的养殖鱼类品种识别模型

随着人工智能、大数据、机器学习、计算机视觉等技术的发展,卷积神经网络（CNN）越来越多地应用于图像识别领域,图像数据集的丰富性以及多样性对CNN模型的性能和表达能力至关重要,但现有的鱼类图像公共数据集资源较匮乏,严重缺少训练集以及测试集样本,难以满足深度CNN模型优化及性能提升的需要。实验以大黄鱼、鲤、鲢、秋刀鱼和鳙为对象,采用网络爬虫以及实验室人工拍照采集相结合的方式,构建了供鱼种分类的基础图片数据集,针对网络爬虫手段获取到的鱼类图像存在尺度不一、格式不定等问题,采用图像批处理的方式对所有获取到的图像进行了统一的数据预处理,并通过内容变换以及尺度变换对基础数据集做了数据增强处理,完成了7 993个样本的图像采集与归纳;在权值共享和局部连接的基础上,构建了一个用于鱼类识别的CNN模型,采用ReLU函数作为激活函数,通过dropout和正则化等方法避免过度拟合。结果显示,所构建的CNN鱼种识别模型具有良好的识别精度和泛化能力。随着迭代次数的增加,CNN模型的性能也逐步提高,迭代1 000次达到最佳,模型的准确率为96.56％。该模型采用监督学习的机器学习方式,基于CNN模型,实现了5种常见鱼类的鱼种分类,具有较高的识别精度和良好的稳定性,并且模型本身具有一定程度的鱼种推广可能性,为养殖鱼类的品种识别提供了一种新的理论计算模型。     

基于局部化双向LSTM和状态转移约束的养殖水质分类预测

养殖水质对水产养殖的产出和收益具有非常重要的影响,提前预测水质状况可以提高治理水平,从而减少水产养殖的损失。以南美白对虾(俗称白肢虾)日常养殖水质为研究对象,选取温度(T)、pH、溶氧(DO)、盐度、氧化还原电位(ORP)、亚硝酸盐氮(NO^-_2-N)和氨氮(NH^+_4-N)作为水质数据特征,提出基于局部化双向LSTM(CovBiLSTM)和状态转移约束的水质预测模型(CovBiLSTMST)。首先使用双向LSTM网络接收历史水质数据序列信息的输入,然后利用卷积函数和最大池化技术(Max pooling)来挖掘双向LSTM网络不同单元输出数据之间的关系,对历史不同时间的水质数据进行融合,最后采用Softmax分类器来预测水质状况,同时利用状态转移约束条件来提高预测的准确率。通过对比试验,分别证明了局部双向化LSTM和状态转移约束对水质预测的有效性。与基于LSTM的预测方法相比,评价指标分类准确率和召回率分别提高5%和4%。研究表明:基于局部化双向LSTM(CovBiLSTM)网络模型的水质预测算法比基于其他模型的预测算法能更准确预测南美白对虾的水质状况。     

基于BP神经网络的虾蛄捕捞海域溯源方法

虾蛄是重要的经济水产品,对环境中重金属元素具有富集作用。不同海域捕捞的虾蛄体内重金属含量差异较大,因此,可根据虾蛄体内重金属含量推断捕捞海域的污染状况,即基于虾蛄体内重金属状况对其来源进行溯源。以渤海、东海和南海三大海域虾蛄中的3种重金属含量数据作为输入,建立BP神经网络判别分析模型,并对模型进行优化,通过模型判断虾蛄样本的来源海域。结果显示:经过网络训练后,总计90个样本中,86个分类正确,模型的判别准确率为95.6%,其中训练集判别准确率为98.1%,验证集准确率为94.4%,测试集准确率为88.9%。研究表明:基于BP神经网络建立的判别分析模型能够解析非线性复杂体系中各元素的内在关联,以区分样品的来源,并可据此进行有效的追溯。     

基于深度学习的刺网与拖网作业类型识别研究

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。     

基于卷积神经网络的仿刺参非侵入式标记方法的初步研究

使用体外标记技术可对仿刺参(Apostichopus japonicus)进行种群和个体尺度上的时空行为学研究、种群动态研究、良种繁育、高效采捕方法的研究。由于仿刺参体壁柔软, 排异能力较强, 使得传统的侵入式标记方法留存率较低; 且传统标记对体壁的破坏会导致伤口溃烂, 影响仿刺参的正常生活。为研发非侵入性的仿刺参识别技术, 本研究利用深度学习中的卷积神经网络模型, 对仿刺参图像进行特征提取, 该特征能够表征个体独特的体表纹理模式。对 50 d 内连续拍摄的仿刺参图像进行特征提取并训练分类器后, 发现分类器在测试集上最高可达到 0.996±0.011 的精度; 而传统的侵入式标记方法最高只能达到约 0.75 的精度。对实验仿刺参个体进行个体识别跟踪, 使用前 25 d 的仿刺参图像进行特征提取并训练模型, 对后 25 d 的图像进行预测, 可达到 0.946±0.058 的精度。实验结果表明, 使用 ResNet50 卷积神经网络可有效地对仿刺参进行预测, 并在时间追踪任务中取得优于传统标记方法的精度。     

基于深度学习的鱼类识别相关技术研究现状及展望

为促进渔业生产智能化、现代化发展,综述了基于深度学习的鱼类识别相关技术。首先,从数据集构建、数据预处理、神经网络模型设计以及模型训练等4个方面阐述了基于深度学习的鱼类识别工作流程。然后,从图像分类、目标检测、图像分割3个角度总结了近几年鱼类识别相关技术的研究进展及应用成果。其中,图像分类主要用于识别个体鱼的色泽与种类,目标检测侧重于估计鱼群的数量和体型,而图像分割则在推断鱼类的状态和行为方面发挥着重要作用。同时,分析了不同方法所具备的优势,比较了各方法在数据集中的性能指标。最后,对深度学习在鱼类识别领域的下一步发展方向和研究重点进行了展望。综上,深度学习方法效率普遍较高、泛化能力普遍较强,深度学习技术在鱼类识别中的广泛应用能够为渔业科研人员提供有效的技术支撑。     

基于深度学习的鱼类智能识别系统的设计与实现

中国拥有种类繁多的鱼类,外形是其分类的重要依据。但目前主要采用人工识别方法进行分类,为解决鱼类人工识别存在的问题,提出一种基于深度学习的鱼类智能识别系统的设计,以实现对中国1 400种鱼类的智能识别。系统首先采用卷积神经网络的Efficient模型,将含有1 400种鱼类,50万张鱼类图片的数据集进行训练,最终得到的模型识别精度达到了95%,单张图片识别时间仅为0.2 s,模型大小为74.5 MB。系统前端使用微信小程序,后端采用Spring+SpringMVC+Mybatis的SSM架构,调用训练好的模型文件进行识别,实现了鱼类识别、页面呈现、统计分析和相邻种类推荐等功能。该系统所提出的设计和实现方法对鱼类智能识别技术在移动端的应用提供了一种可行的思路,对海洋科研人员和开发人员有一定的借鉴作用。     

基于计算机视觉的贝类智能识别技术探索

正通过采集贝类样本图像建立贝类图片样本库,并对库内图片进行预处理,使其适用于机器学习算法,然后利用深度学习的方法获得每种贝类的外形特征,进而开展分类识别,识别准确率可达到80%以上。通过配套开发的贝类识别手机软件,可将手机拍摄的贝类图片上传至服务器端,并在3秒钟内将识别结果反馈给手机用户,同时推送相关贝类科普知识。该技术的应用与推广,对面向公众开展水产科普与水生动物保护等工作大有裨益。     

基于改进YOLOv7的网箱网衣破损识别方法

网箱网衣极易破损，一旦破损未及时修补，会给养殖户造成巨大的经济损失。为实现智能化网箱网衣破损检测，本研究提出一种基于改进YOLOv7的网箱网衣破损识别方法。该方法通过在Backbone网络使用gnConv结构、Neck网络引入SimAM模块来提升模型表达能力更好聚焦网衣破损处的特征，提高模型的检测精度。Backbone网络使用深度可分离卷积，并减少激活函数和改变卷积步长，同时在Neck网络利用Bottleneck模块使用1×1卷积核的特点和使用性能更佳的Mish激活函数重构模型，以减少参数量和运算成本，实现模型检测速度的提升及尺寸的压缩。通过消融试验和对比试验结果显示，YOLOv7-C3NeHX比原YOLOv7算法的平均精度提高了3.1个百分点，精确率、召回率与F₁值分别提升了0.5、4.2与3个百分点，检测速度达到了232.56FPS,GFLOPs和模型尺寸分别占原YOLOv7的38.2%和94.3%。研究表明，改进模型能有效提高识别效率和部署的灵活性，为智能网衣修补机器人的研发提供技术支持。     

基于YOLOv5改进模型的丁香鱼围网作业目标检测研究

为解决目前鳀(Engraulis japonicus)限额捕捞与分类统计不准确的问题，提出一种改进YOLOv5的识别算法。该方法将SENet注意力机制引入到YOLOv5主干网络结构中，通过融合捕捞作业不同时期的目标信息并降低复杂背景的干扰，以提高模型检测精度和实时检测效率。采用实际拍摄的鳀作业视频，将视频转化为图片格式实现前期标注和处理，对获得的5 550幅图像按照8∶1∶1划分训练集、验证集和测试集，设置对照实验，将YOLOv5主干网络替换为MobileNetV2,并引进SENet注意力机制，分别通过4种模型进行对比，结果表明，该识别算法获得平均精度均值(mAP)为99.4%、精度为98.9%、召回率为99.1%,相比原模型分别提高了2.5%、3.7%和2.9%。研究结果可以为鳀围网作业的目标识别提供新的思路，同时也为渔获作业统计提供了一种辅助手段。     

水产养殖病害远程动态图像采集与传输系统的组成及实现

为提高一线养殖户水产养殖病害诊断的时效性和准确率,综合利用计算机技术、显微图像采集技术和UDP、RTP网络通信技术等多学科技术,建立了可跨平台应用的水产养殖病害远程动态图像采集与传输系统。系统包括中心站、终端站和水产养殖病害远程动态图像采集与传输软件。传输软件支持多人多点实时视频、音频,支持图像、数据、应用软件的同步交互,突破了空间限制,实现了水产养殖病害的远程同步快速诊断。     

基于改进深度学习模型的鱼群密度检测试验研究

在水产养殖生产中,鱼群密度的检测是做好生产管理的关键环节。基于水下鱼类的群聚现象,采用基于拥塞场景识别卷积神经网络(Congested Scene Recognition Convolutional Neural Networks, CSRNet)技术,将剔除了全连接层的VGG-16与空洞卷积神经网络相结合,保持分辨率的同时扩大感知域,从而生成高质量的鱼群分布密度图。结果显示:CSRNet在仿真鱼群数据集中,检测准确率达90%以上,预测密度图与真实情况接近,失真度小;在预测真实鱼群密度中也同样表现良好。CSRNet与传统的基于光栅图方法相比,准确率提升近10%;与同样基于VGG-16的Faster R-CNN相比,CSRNet的表现更为优越。研究表明,构建的检测系统软件可实时检测定点区域鱼群密度是否处于正常范围,有利于预防鱼群高密度缺氧,提高鱼量产出,实现智能养殖。     

基于朴素贝叶斯算法的水产类专利文本分类

本文选取公开日从1992年1月1日到2011年12月31日的水产类的9 894条失效专利作为数据挖掘的文本。从中选出56条专利,利用分词器对其摘要进行分词,并通过卡方检验的方法过滤掉与分类相关度比较小的词,形成词组矩阵。然后采用朴素贝叶斯的方法对这些矩阵进行训练并设计程序。使用训练过后的程序对失效专利进行分类测试,合格后再对所有的专利的摘要文本进行分类,并对分类结果进行了分析和验证。验证的结果表明该程序对文本进行分类的准确率达到了85%,达到了比较好的可信度,可以用它对文本分类。如此我们就可以把失效的水产类专利文本按照设定的类别进行归类,了解一个时间段它们的分布情况,为以后做决策提供参考。     

基于集成学习的大西洋热带水域大眼金枪鱼渔情预报

为提高大西洋大眼金枪鱼渔场预报模型的准确率,实验利用13艘中国延绳钓渔船2013—2019年的渔捞日志数据和对应的海洋环境数据(海表面风速、叶绿素a浓度、涡动能、混合层深度和0～500 m水层的垂直温度、盐度和溶解氧等),以天为时间分辨率、2°×2°为空间分辨率、以数据集的75%为训练数据建立了K最近邻(KNN)、逻辑斯蒂回归(LR)、分类与回归树(CART)、支持向量机(SVM)、人工神经网络(ANN)、随机森林(RF)、梯度提升决策树(GBDT)和Stacking集成(STK)渔情预报模型,以25%的测试数据进行模型性能测试、比较。结果显示,(1) STK (由KNN、RF、GBDT模型集成)模型的大眼金枪鱼渔场预报性能较KNN、LR、CART、SVM、ANN、RF和GBDT模型有所提高且相对稳定,上述模型对应的准确率和ROC曲线下面积(AUC)依次分别为81.62%、0.781,79.44%、0.778,72.81%、0.685,74.84%、0.717,73.67%、0.702,67.70%、0.500,80.96%、0.780和78.13%、0.747;(2) STK模型预测...     

栉孔扇贝夏季大规模死亡的神经网络预测模型

根据2002年和2003年对山东荣成桑沟湾栉孔扇贝养殖海区的水温、盐度、pH、氨氮浓度、亚硝氮浓度等环境因子和扇贝血清中的蛋白浓度、酸性磷酸酶活力、碱性磷酸酶活力、超氧化物歧化酶活力和过氧化氢酶活力等免疫学指标及栉孔扇贝养殖密度和死亡率的监测数据,运用人工神经网络(artificial neurd network,ANN)的原理和误差反相传播(back propagefion,BP)网络的方法,利用MATLAB软件初步建立养殖栉孔扇贝夏季大规模死亡的BP人工神经网络预测模型.预测模型经过300次的学习训练,误差平方和由67.46下降至0.009 1.该预测模型对未参与模型构建的样本预测的结果与实际监测结果的符合率达到87.5%.首次将人工神经网络与水产动物病害死亡的预测相结合,建立的预测模型具有对数据适应能力强,可适时学习,预测结果准确等突出优点,为水产养殖动物病害死亡程度的预测提供了一个新的研究方法.     

基于粒子群的模糊神经网络养殖池塘溶氧预测研究

溶氧是水产养殖中的一项重要指标,与水产品生长有着十分密切的关系。为准确预测养殖池塘的溶氧量,降低水产养殖风险,提出基于小波包分析和粒子群算法优化模糊神经网络的组合预测模型。首先使用小波包变换对采集的原始信号进行消噪处理,然后将处理后的逼近信号分为训练数据和测试数据,利用训练数据对模糊神经网络进行训练,并使用粒子群算法对网络参数进行优化,最后利用测试数据进行溶氧预测并检验预测模型的性能。通过对比试验,分别证明了粒子群算法和小波包变换的有效性:预测溶氧值时,基于小波包变换,粒子群算法与BP算法相比,误差指标均方根误差(RMSE)、平均相对误差均值(MAPE)和平均绝对误差(MAE)分别降低了22.75、3.97和22.86个百分点;基于粒子群算法,有小波包变换和无小波包变换相比,3项指标分别降低了16.82、3.36和16.65个百分点。研究表明:小波包分析和粒子群算法可提高预测精度,该组合模型可对溶氧进行有效预测。     

基于轻量型 S3D 算法的鱼类摄食强度识别系统设计与试验

实际生产中，对鱼类的投喂控制仍是以人工经验判断和时序控制为主，易造成饲料浪费和环境污染。实时检测鱼群摄食强度，可用于指导投喂，进而提高饲料利用率，并降低残饲污染。基于此，本研究提出一种基于机器视觉和轻量型S3D算法的鱼群摄食强度实时识别算法，可精确定位视频流中“强、中、弱、无” 4种鱼群摄食强度状态。首先将I3D网络作为基准，使用Inception模块和深度可分离卷积构建3D时空Sep-Inc模块；其次，利用3D时空Sep-Inc模块、池化层和3D卷积层交替搭建轻量型S3D网络；最后，开发了基于PyQt5的金鳟鱼摄食强度识别系统。结果显示：S3D算法对4类摄食强度的识别准确率可达92.68%,比C3D和R2+1D算法分别提高9.75%和14.15%,同时Parameters参数和GFLOPs参数也大幅下降，识别摄食强度标签的速率达到17 f/s。研究表明，本算法不仅适用于金鳟，也有望适用于其他游泳型鱼类，并可提供投喂决策建议。