石鯛魚類肉質(zhì)鮮美、蛋白質(zhì)豐富,具有很高的養(yǎng)殖價值。傳統(tǒng)的水產(chǎn)養(yǎng)殖通常采用定時定量的投喂方式,不能根據(jù)石鯛魚類的饑餓狀態(tài)及時投喂餌料,容易出現(xiàn)投喂不及時或者投餌量過少等問題,使石鯛魚類經(jīng)常面臨饑餓脅迫,這嚴重影響了石鯛魚類的福利性增長。使用視頻計算的方式對石鯛魚類的饑餓行為進行研究,可以識別石鯛魚類的饑餓狀態(tài),準(zhǔn)確計算出投喂時間與投喂量,對石鯛魚類的養(yǎng)殖具有重要的意義。本文使用深度學(xué)習(xí)技術(shù)實現(xiàn)了石鯛魚類的目標(biāo)檢測和速度計算,最后使用長短期記憶網(wǎng)絡(luò)（LSTM）對石鯛魚類進行饑餓行為分類,主要工作如下:（1）提出了一種基于多尺度特征的石鯛魚類檢測算法SEMobileNet-SSD。在實驗條件下,從水上和水下兩個角度,構(gòu)造了石鯛魚類水面圖像數(shù)據(jù)集AWOP和水下圖像數(shù)據(jù)集UWOP。并針對圖像中出現(xiàn)的遮擋和模糊問題,改進了輕量級神經(jīng)網(wǎng)絡(luò)MobileNet-SSD,向MobileNet網(wǎng)絡(luò)中加入帶洞卷積和擠壓激勵模塊（SE block）;針對水面視頻和水下視頻中石鯛魚類容易互相遮擋的問題,向不同尺度的特征圖上加入SE block,以檢測相互遮擋的目標(biāo);使用Focal Loss函數(shù)計算分類損失,平衡了... 

【文章來源】：魯東大學(xué)山東省

【文章頁數(shù)】：69 頁

【學(xué)位級別】：碩士

【文章目錄】：
致謝
摘要
Abstract
第1章 緒論
    1.1 研究背景
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 研究內(nèi)容和技術(shù)路線
        1.3.1 研究內(nèi)容
        1.3.2 技術(shù)路線
    1.4 論文組織結(jié)構(gòu)
第2章 相關(guān)理論和技術(shù)基礎(chǔ)
    2.1 人工神經(jīng)網(wǎng)絡(luò)
    2.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.1 卷積層
        2.2.2 池化層
        2.2.3 卷積神經(jīng)網(wǎng)絡(luò)
    2.3 序列模型
    2.4 目標(biāo)檢測技術(shù)
    2.5 多目標(biāo)跟蹤技術(shù)
第3章 基于多尺度特征的石鯛魚類檢測算法
    3.1 石鯛魚類檢測算法
        3.1.1 SSD算法
        3.1.2 SEMobile Net-SSD網(wǎng)絡(luò)
        3.1.3 改進的損失函數(shù)
    3.2 實驗結(jié)果及分析
        3.2.1 實驗數(shù)據(jù)集
        3.2.2 性能指標(biāo)
        3.2.3 實驗結(jié)果及分析
    3.3 本章小結(jié)
第4章 石鯛魚類速度特征計算
    4.1 石鯛魚類的速度計算方法
        4.1.1 石鯛魚類檢測
        4.1.2 石鯛魚類外觀特征提取網(wǎng)絡(luò)
        4.1.3 多石鯛魚類跟蹤
        4.1.4 相機標(biāo)定
        4.1.5 多石鯛魚類速度計算
    4.2 實驗結(jié)果及分析
        4.2.1 外觀特征訓(xùn)練
        4.2.2 評估指標(biāo)
        4.2.3 實驗結(jié)果及分析
    4.3 本章小結(jié)
第5章 基于多特征的石鯛魚類饑餓行為分類
    5.1 石鯛魚類饑餓行為數(shù)據(jù)采集
    5.2 石鯛魚類饑餓特征提取
        5.2.1 石鯛魚類軌跡提取
        5.2.2 石鯛魚類軌跡合并
        5.2.3 石鯛魚類饑餓特征提取
    5.3 基于LSTM的石鯛魚類饑餓行為分類
    5.4 實驗結(jié)果及分析
    5.5 本章小結(jié)
第6章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻
作者簡歷


【參考文獻】：
期刊論文
[1]饑餓對鯽幼魚靜止代謝及個性行為的影響[J]. 凌鴻,曾令清.  重慶師范大學(xué)學(xué)報(自然科學(xué)版). 2019(05)
[2]饑餓再投喂對黑鱾幼魚消化酶活性與血液生理生化指標(biāo)的影響[J]. 張怡波,呂慧明,袁子,徐善良,王丹麗.  寧波大學(xué)學(xué)報(理工版). 2019(05)
[3]基于計算機視覺技術(shù)的水產(chǎn)養(yǎng)殖中魚類行為識別與量化研究進展[J]. 何佳,黃志濤,宋協(xié)法,彭磊.  漁業(yè)現(xiàn)代化. 2019(03)
[4]面向嵌入式設(shè)備的深度學(xué)習(xí)物體檢測優(yōu)化算法[J]. 戴雷燕,馮杰,董慧,楊小利.  計算機系統(tǒng)應(yīng)用. 2019(04)
[5]聯(lián)合國新報告顯示,非洲饑餓人口持續(xù)上升[J].   世界農(nóng)業(yè). 2019(03)
[6]深度學(xué)習(xí)算法中卷積神經(jīng)網(wǎng)絡(luò)的概念綜述[J]. 李策,陳海霞,漢語,左勝甲,趙立剛.  電子測試. 2018(23)
[7]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 張亞倩.  信息通信. 2018(11)
[8]全球魚類產(chǎn)量到2030年將增長近兩成[J].   世界農(nóng)業(yè). 2018(09)
[9]水產(chǎn)生態(tài)養(yǎng)殖與新養(yǎng)殖模式發(fā)展戰(zhàn)略研究[J]. 李明,于莉.  農(nóng)村經(jīng)濟與科技. 2018(16)
[10]基于深度卷積神經(jīng)網(wǎng)絡(luò)的非法攤位檢測[J]. 宋樂陶,劉正熙,熊運余.  現(xiàn)代計算機(專業(yè)版). 2018(24)

博士論文
[1]基于稀疏表示的圖像超分辨率與目標(biāo)跟蹤方法研究[D]. 劉海倉.湖南大學(xué) 2015
[2]海水養(yǎng)殖業(yè)發(fā)展規(guī)模經(jīng)濟及規(guī)模效率研究[D]. 王大海.中國海洋大學(xué) 2014
[3]基于非經(jīng)典感受野的圖像表征計算模型及應(yīng)用研究[D]. 郎波.復(fù)旦大學(xué) 2013
[4]海洋漁業(yè)資源管理中ITQ制度交易成本研究[D]. 楊正勇.復(fù)旦大學(xué) 2005

碩士論文
[1]基于深度學(xué)習(xí)的目標(biāo)檢測技術(shù)研究[D]. 黃澤桑.北京郵電大學(xué) 2019
[2]交通場景下的騎車人檢測方法研究[D]. 湯文君.山東大學(xué) 2019
[3]基于深度學(xué)習(xí)的CT圖像腎臟分割研究[D]. 李國清.東南大學(xué) 2018
[4]基于深度學(xué)習(xí)的帶鋼表面缺陷檢測[D]. 王立中.西安工程大學(xué) 2018
[5]基于高分辨率SAR圖像的建筑區(qū)域檢測[D]. 高丁力.中國科學(xué)技術(shù)大學(xué) 2018
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的蔬菜識別及應(yīng)用研究[D]. 韓朋朋.安徽大學(xué) 2018
[7]基于卷積神經(jīng)網(wǎng)絡(luò)的人群密度分析[D]. 魏夢.中國科學(xué)技術(shù)大學(xué) 2018
[8]基于卷積神經(jīng)網(wǎng)絡(luò)的體數(shù)據(jù)可視化研究[D]. 周正磊.浙江大學(xué) 2018
[9]基于深度學(xué)習(xí)的攝像機網(wǎng)絡(luò)行人識別系統(tǒng)研究與實現(xiàn)[D]. 劉瀏.浙江工商大學(xué) 2018
[10]基于卷積神經(jīng)網(wǎng)絡(luò)圖像分類優(yōu)化算法的研究與驗證[D]. 石琪.北京交通大學(xué) 2017



本文編號：3449651