水下鱼类品种识别模型与实时识别系统

分类： 农、林、牧、渔 >> 农、林、牧、渔业科学其他学科 提交时间： 2023-02-17 合作期刊: 《智慧农业（中英文）》

李少波 杨玲 于辉辉 陈英义

摘要： 快速准确的鱼类识别系统需要良好的识别模型和部署系统作为支撑。近年来，卷积神经网络在图 像识别领域取得了巨大成功，不同的卷积网络模型都有不同的优点和缺点，面对众多可供选择的模型结构， 如何选择和评价卷积神经网络模型成为了必须考虑的问题。此外，在模型应用方面，移动终端直接部署深 度学习模型需要对模型进行裁剪、压缩处理，影响精度的同时还会导致安装包体积增大，不利于模型升级 维护。针对上述问题，本研究根据水下鱼类实时识别任务特点，选取了AlexNet、GoogLeNet、ResNet 和 DenseNet预训练模型进行对比试验研究，通过在Ground-Truth鱼类公开数据集基础上对图像进行随机翻转、 旋转、颜色抖动来增强数据，使用Label smoothing作为损失函数缓解模型过拟合问题，通过研究Ranger优化 器和Cosine学习率衰减策略进一步提高模型训练效果。统计各个识别模型在训练集和验证集上的精确度和召 回率，最后综合精确度和召回率量化模型识别效果。试验结果表明，基于DenseNet训练的鱼类识别模型综 合评分最高，在验证集的精确度和召回率分别达到了99.21%和96.77%，整体F1值达到了0.9742，模型理论 识别精度达到预期。基于Python开发并部署了一套远程水下鱼类实时识别系统，将模型部署到远程服务器， 移动终端通过网络请求进行鱼类识别模型调用，验证集图像实际测试表明，在网络良好条件下，移动终端 可以在1 s内准确识别并显示鱼类信息。

 点击量 310  下载量 123  评论