基于改进ResNet50模型的大宗淡水鱼种类识别方法

摘要：

针对传统鱼类识别方法存在特征提取复杂、算法可移植性差等不足,该研究提出了一种基于改进ResNet50模型的淡水鱼种类识别方法.研究以鳙鱼、鳊鱼、鲤鱼、鲫鱼、草鱼、白鲢6种大宗淡水鱼为对象,通过搭建淡水鱼图像采集系统获取具有单一背景的淡水鱼图像,同时通过互联网搜索具有干扰背景的淡水鱼图像,共同构建淡水鱼图像数据集;再对淡水鱼图像进行预处理,以增加样本多样性;构建改进ResNet50模型,增加全连接层Fc1以及Dropout,引入迁移学习机制训练模型,同时选择CELU作为激活函数提高神经网络表达能力,通过Adam优化算法更新梯度,并嵌入余弦退火方法衰减学习率.为验证改进ResNet50模型的准确率等性能,对6种淡水鱼进行种类识别,结果表明:在单次验证方法下,选用包含单一背景图像和干扰背景图像构成的淡水鱼图像数据集训练模型,识别准确率为96.94％,比经典模型提高1.22％,单张淡水鱼图像样本的平均检测时间为0.2345 s;在四折交叉验证下,选用具有单一背景的图像数据集,模型的识别准确率为100％,选用包含单一背景图像和干扰背景图像的淡水鱼图像数据集,模型的识别准确率为96.20％,说明模型具有较好的泛化性能和鲁棒性.针对混淆矩阵的可视化结果表明:改进的ResNet50模型具有通用的结构和训练方式,对不同背景下的淡水鱼进行种类识别具有较高的准确率,可为淡水鱼种类识别提供技术借鉴.

关键词：图像识别;水产养殖;淡水鱼;种类识别;深度学习;改进ResNet50模型;超参数优化;可视化

所属期刊栏目：37

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家重点研发计划项目;湖北省农业科技创新中心2020年重大科技研发专项;湖北省农业科技创新中心创新团队项目;中央高校基本科研业务费专项基金资助项目

在线出版日期：2021-09-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：159-168