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TensorFlow的水族馆鱼类目标检测APP开发

近年来深度学习在图像识别研究中取得突破进展,带动了目标检测技术的快速发展。利用目标检测技术开发水族馆鱼类目标检测APP,可以增强游客参观体验,提升科普效果。针对水族馆拍摄的80种鱼类,首先,使用LabelImg软件进行目标标记,再利用标记的目标导出成tfrecord数据;其次,选择ssd_mobilenet_v1模型进行数据训练,通过20万次的迭代训练获取到鱼类目标检测模型;最后,利用TensorFlow多目标检测API调用模型,定义2个接口和12个类,开发出Android系统手机APP。经过80种鱼类1620张图片测试,正确率为92.59%,华为MHA-AL00手机目标检测平均时间40 ms。使用鱼类目标检测APP,能实现水族馆鱼类快速识别、多鱼类目标实时检测,可提升游客的参观体验,辅助科普量化评价。     

改进的DeepLabCut鱼类游动轨迹提取

针对现有的鱼类游动轨迹提取方法在提取效率和准确率方面不能同时兼顾的问题,提出了一种改进的DeepLabCut方法用于鱼类背部关键点识别和定位。首先,选择了轻量级卷积神经网络模型EfficientNet-B0作为DeepLabCut的主干网络模型,用于提取鱼类背部关键点的特征,为了增强EfficientNet-B0的表征能力,在网络模型中引入了改进的CBAM(Convolutional Block Attention Module)注意力机制模块,将CBAM中的空间注意力模块和通道注意力模块从原来的串行连接方式改为并行连接,以解决两种注意力模块之间因串行连接而导致的互相干扰问题。其次,基于MSE(Mean Squared Error)损失函数提出了一种分段式损失函数H＿MSE用于模型的训练,分段式损失函数H＿MSE相对于传统的损失函数具有较强的鲁棒性,其在处理数据中的异常值时能表现出较低的敏感性。最后,采用了半监督学习方法对关键点进行自动标记来减少人工标记数据时产生的误差。结果显示：相比于DeepLabCut原始算法,识别误差RMSE(Root Mean Squared Error)平均...     

基于深度学习的青海湖裸鲤产卵场遥感识别方法

鱼类产卵场会随着外部环境条件的改变而发生变化, 因此, 快速、有效地定位鱼类产卵场对于开展水生生物资源调查、珍稀水生动物保护等工作具有重要的意义。本研究基于无人机航拍影像和青海湖裸鲤(Gymnocypris przewalskii)产卵场实地调查结果, 构建了深度学习模型, 以分析将深度学习模型应用于青海湖裸鲤产卵场识别中的可行性。模型训练交并比精度和像素精度分别为 0.870 和 0.996, 验证交并比精度和像素精度分别为 0.648 和 0.985, 虽然精度低于一般的遥感影像或图像分割精度, 但从测试的结果来看, 深度学习模型可以识别到约 79%的产卵场, 但尚不能精确地分割出产卵场, 可以作为一种辅助手段, 应用到青海湖裸鲤产卵场的识别中。     

基于粒子群优化BP神经网络的水产养殖水温及pH预测模型

针对养殖水质、水温及p H预测准确性低的问题,提出了一种基于粒子群优化BP神经网络的养殖水质参数预测方法。首先应用粒子群算法优化得出BP神经网络的初始权值和阈值,然后对得到的数据进行预处理,修复异常数据信息,再以当前时间的多个水质参数作为输入,下个时间点的水温、p H作为输出,建立养殖水质预测模型,最后利用采集的水质数据在BP神经网络中进行训练,并通过实验检验水质预测模型的可行性和预测性能。与支持向量回归(SVR)和传统BP神经网络相比,基于粒子群优化的BP神经网络在预测水温方面,均方根误差(RMSE)下降幅度分别为64.4%和86.7%;在预测p H方面,RMSE下降幅度分别为11.1%和78.9%。研究表明,基于粒子群优化的BP神经网络养殖水质预测模型具有灵活简便、预测精度高、易于实现的特点,同时具有很好的预测能力。     

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LightGBM模型的鱼类异常行为检测

针对传统理化方法分析水质污染情况耗时耗力等问题,提出一种基于鱼类异常行为识别的水质监测方法。以红色斑马鱼(red zebrafish)为研究对象,利用计算机视觉技术,首先对斑马鱼图像进行预处理,利用灰度共生矩阵获取鱼群纹理特征;然后通过Lucas-Kanade光流法计算鱼群的运动信息熵,并对获取的纹理特征和信息熵进行归一化处理;最后采用轻量化梯度促进机(LightGBM)对鱼类异常行为进行检测,与深度神经网络(DNN)和支持向量机(SVM)检测效果对比。结果显示:利用LightGBM对鱼类异常行为进行检测,准确率为98.5%,与其他模型对比分别提高0.5%和25.3%。研究表明,基于LightGBM模型的鱼类异常行为检测方法相比其他模型能更准确地识别鱼类非正常游动。该模型适用于自动水质监测。     

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SSA- LSTM模型的黄鳝池溶氧预测研究

溶氧含量是影响黄鳝养殖的重要因素，为提高黄鳝池溶氧浓度的预测精度，提出一种基于麻雀搜索算法(SSA)和长短期记忆神经网络(LSTM)的黄鳝池溶氧浓度预测模型，即利用SSA算法优化LSTM模型的超参数后，对循环水黄鳝养殖池的溶氧浓度进行预测。结果显示：基于SSA-LSTM模型的预测准确率为96.77%,相较于对照模型LSTM、门控循环单元(GRU)、粒子群算法-长短期记忆神经网络(PSO-LSTM)分别提升了2.09%、3.34%、0.55%。该模型其他指标均方误差(E_MSE)、平均绝对误差(E_MAE)、均方根误差(E_RMSE)分别为0.67、0.53、0.81,相较于对照模型也有明显下降。研究表明，利用SSA-LSTM模型预测黄鳝池溶氧浓度具有良好的准确性和鲁棒性，可以为黄鳝养殖中水质参数精准调控提供依据。     

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。     

基于经验模态分解和最小二乘支持向量机的溶氧预测

养殖池塘中溶氧(DO)与鱼、蟹等水产品的生长有着十分密切的关系。为了提高DO的预测精度和有效性,提出了一种基于经验模态分解(EMD)和自适应扰动粒子群优化最小二乘支持向量机(LSSVM)的组合预测模型。首先将DO时间序列通过EMD分解成若干分量,接着对各个分量进行相空间重构,在相空间中用LSSVM对各分量进行建模预测,并使用自适应扰动粒子群算法对LSSVM的超参数进行优化,采用单点迭代法进行多步预测。结果显示:该模型与单一LSSVM预测模型相比,具有良好的预测效果。预测未来4 h DO值时,各项性能指标误差均方根(RMSE)、平均相对误差均值(MAPE)和平均绝对误差(MAE)三项指标分别降低了13.4%、11.3%和1.8%;预测未来24 h DO值时,三项指标分别降低了12.9%、12.1%和2.7%。研究表明:该组合模型可有效提取DO序列特性,具有较高的预测精度和泛化性能。     

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。     

基于鱼体背部弯曲潜能算法的四种主养鱼类识别

以四种主养淡水鱼鲫(Carassius auratus)、草鱼(Ctenopharyngodon idellus)、团头鲂(Megalobrama amblycephala)、鲤(Cyprinus carpio)为例,提出一种基于图像处理技术的鱼种类自动识别方法。首先通过鱼体信息采集系统获取待识别鱼体图像,并对其进行灰度化与二值化,得到鱼体轮廓信息;然后采用邻域边界算法对鱼体的轮廓进行提取,根据轮廓曲线建立鱼体背部轮廓数学模型;最后根据轮廓模型,采用鱼体背部弯曲潜能算法对不同种类鱼体样本的背部弯曲潜能值进行计算和聚类统计,得到不同鱼类样本的背部弯曲潜能值分布区间,从而通过比对待识别鱼体背部弯曲潜能值的区间实现对不同鱼类的自动识别。对四种主养鱼类的实验测试结果表明,对团头鲂的识别精度可以达到100%,对鲫、鲤和草鱼的识别精度达到96%,基本上能准确实现四种鱼体的分类识别,具有较好的实际应用价值。     

改进YOLO v4模型在鱼类目标检测上的应用研究

鱼类目标检测对渔业精准养殖、生产自动化、资源调查及鱼行为的研究等具有重要的意义.为了能快速准确地得到鱼类目标的位置和所属类别,提出了一种改进YOLO v4模型的鱼类目标检测方法,在CIoU(Complete Intersection over Union)损失函数基础上构建了新的损失项,改进的损失函数使真实框与相交框呈...     

基于粒子群可拓的南太平洋长鳍金枪鱼产量预测方法研究

长鳍金枪鱼(Thunnus alalunga)作为大洋中上层洄游性鱼类,因其经济价值高、分布范围广而成为各渔业国家的主要捕捞对象之一。结合南太平洋长鳍金枪鱼渔业捕捞作业背景,提出一种新的面向渔业应用的产量预测方法。依据2000—2015年南太平洋长鳍金枪鱼的延绳钓渔获数据、空间因子以及海表温度、海面高度和叶绿素a质量浓度等关键影响因子数据,利用可拓神经网络模型对金枪鱼进行产量预测,并采用粒子群算法(PSO)进行权值优化。结果显示:总召回率达到68%,较传统方法有所提高,对高产区预测有较大优势,召回率达到74.2%,但对中产区的预测效果明显低于高产区和低产区。研究表明,利用粒子群可拓的方法可解决可拓神经网络中经典域不易确定的问题,对丰富渔场预测方法和合理捕捞作业具有一定的指导作用。     

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。     

2种大洋性柔鱼类角质颚形态识别法的比较

依据中国鱿钓船2013年8~10月在北太平洋海域采集的柔鱼(Ommastrephes bartramii)和2014年4~7月在中东太平洋海域采集的茎柔鱼(Dosidicus gigas)样本,分别运用传统测量学法和傅里叶分析法对2种柔鱼类的角质颚进行识别,并对结果进行比较分析。运用传统测量学法共选取了12项角质颚参数值比较形态差异;角质颚外部轮廓形态通过软件转化为20组傅里叶代码(EFDs)后选取77个傅里叶值进行判别分析。结果表明,2种柔鱼类上、下角质颚形态在上头盖长(UHL)、上脊突长(UCL)、上喙长(URL)、上喙宽(URW)、上侧壁长(ULWL)、下脊突长(LCL)、下喙长(LRL)、下喙宽(LRW)、下侧壁长(LLWL)、下翼长(LWL)中存在显著性差异(P0.01),上翼长(UWL)、下头盖长(LHL)不存在显著性差异(P0.05)。主成分分析结果显示,传统测量法中下喙长(LRL)和下喙宽(LRW)与胴长(ML)之比主成分得分最高;傅里叶分析法显示上角质颚前16主成分可以解释总变异的83.58%;下角质颚前16主成分可以解释变异的73.76%。逐步判别分析将上头盖长(UHL)、上喙长(URL)、上侧壁长(ULWL)、下头盖长(LHL)、上喙长(URL)、上喙宽(URW)与胴长(ML)之比纳入判别分析函数,总别正确率为95%;傅里叶分析法将18个傅里叶值纳入判别函数,上颚总判别率为97.6%;下颚总判别率为85.7%。总体而言,2种方法对柔鱼类角质颚判别均有效,且上颚区分效果更明显。本文为头足类的种类判别提供了更多的且有效的识别方法。     

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。