隨著計算機科學的進步,計算機視覺在目標檢測以及目標識別領域的地位越來越舉足輕重,各個領域的應用也層出不窮,所以在海洋資源檢測領域中,也可以扮演相當重要的角色。然而,目前我國現(xiàn)有的魚類相關的產(chǎn)品研究中,沒有可用的數(shù)據(jù)集提供使用,國外的數(shù)據(jù)集適用于該國海岸線周邊的魚類類型識別,并不能用于我國的海洋魚類的魚類檢測。而且市面上并不存在用于識別魚類的工具,針對魚類的分類還是要通過人工操作,效率低下,過程復雜。對此我們結合計算機視覺技術針對魚類作為研究對象展開一系列的實驗進行研究及應用,主要研究內容將從三個方面來討論:第一,首先是構建我國沿海地區(qū)常見魚類數(shù)據(jù)集,目的是提供足量的數(shù)據(jù)供深度神經(jīng)網(wǎng)絡進行訓練。我們一共收集了 6萬張136類不同的照片。然而各種魚類圖片數(shù)量分布非常不均勻,倘若直接放在網(wǎng)絡里訓練,效果是非常差的。所以本文會針對這些數(shù)據(jù)進行數(shù)據(jù)均衡、色彩飽和度調整、隨機裁剪等數(shù)據(jù)增強操作,用以達到增加樣本多樣性和平衡數(shù)據(jù)量的目的。第二,利用神經(jīng)網(wǎng)絡對魚類數(shù)據(jù)進行訓練,分別采用基于ResNet101網(wǎng)絡的Faster RCNN算法和基于VGG16網(wǎng)絡的SSD算法對有標記的魚類圖片進行目標識別。... 

【文章來源】：廈門大學福建省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：105 頁

【學位級別】：碩士

【部分圖文】：

圖１－１?２０１２年－２０１７年我國漁業(yè)產(chǎn)值統(tǒng)計圖??

圖１－２形色識別綠蘿結果圖??

圖１－４實際標注圖??

【參考文獻】：
期刊論文
[1]生成對抗網(wǎng)絡GAN綜述[J]. 程顯毅,謝璐,朱建新,胡彬,施佺.  計算機科學. 2019(03)
[2]黃、東海漁業(yè)資源群落結構變化研究[J]. 戴芳群,朱玲,陳云龍.  漁業(yè)科學進展. 2020(01)
[3]TensorFlow在圖像識別系統(tǒng)中的應用[J]. 邢艷芳,段紅秀,何光威.  計算機技術與發(fā)展. 2019(05)
[4]一種HOG特征模板匹配算法[J]. 崔偉清,黨長春,張旺,王洪洲,羅勇牙.  機械管理開發(fā). 2018(11)
[5]基于優(yōu)化分類的數(shù)據(jù)增廣方法[J]. 蔣夢瑩,林小竹,柯巖.  計算機工程與設計. 2018(11)
[6]海洋通識類課程建設與教學實踐[J]. 葛義軍,黃昆侖,王智宇.  科技視界. 2018(31)
[7]基于深度學習的海底觀測視頻中魚類的識別方法[J]. 張俊龍,曾國蓀,覃如符.  計算機應用. 2019(02)
[8]基于改進錨候選框的甚高速區(qū)域卷積神經(jīng)網(wǎng)絡的端到端地鐵行人檢測[J]. 盛智勇,揭真,曲洪權,田青.  科學技術與工程. 2018(22)
[9]基于機器學習的入侵檢測方法對比研究[J]. 和湘,劉晟,姜吉國.  信息網(wǎng)絡安全. 2018(05)
[10]基于機器視覺的淡水魚品種識別[J]. 姚潤璐,桂詠雯,黃秋桂.  微型機與應用. 2017(24)

碩士論文
[1]基于深度學習的蒙古文古籍整詞識別技術研究[D]. 劉鑫.內蒙古大學 2018
[2]基于深度學習的鐵譜圖像分類[D]. 王聯(lián)君.南京航空航天大學 2018
[3]基于卷積神經(jīng)網(wǎng)絡和上下文模型的目標檢測[D]. 馬增妍.北京工業(yè)大學 2016
[4]基于計算機視覺木材表面顏色分類的研究[D]. 王業(yè)琴.東北林業(yè)大學 2006



本文編號：3098446