發(fā)布時間：2021-04-15 22:21

　　針對淡水魚傳統(tǒng)分類方法人工提取特征復雜、通用性差以及精確度不高等問題,基于深度學習技術(shù),采用卷積運算對輸入的淡水魚數(shù)據(jù)集圖片逐層進行學習,提取淡水魚的顏色、紋理及形狀等特征信息,實現(xiàn)淡水魚快速準確的分類識別.系統(tǒng)在VGG16網(wǎng)絡(luò)模型基礎(chǔ)上,通過添加批量歸一化層,優(yōu)化網(wǎng)絡(luò)的激活函數(shù),采用交叉熵損失函數(shù),使用原數(shù)據(jù)集上訓練的模型權(quán)重參數(shù)值,構(gòu)建了改進的VGG16網(wǎng)絡(luò)淡水魚識別模型,對輸入的5種不同淡水魚種類數(shù)據(jù)集進行種類識別.并與AlexNet、VGGNet16以及ResNet50等網(wǎng)絡(luò)進行比較實驗,實驗訓練結(jié)果表明,模型訓練集測試的準確率為99.18%,測試集上測試的準確率為95.87%,改進的VGG16網(wǎng)絡(luò)加速了模型的收斂,提高了網(wǎng)絡(luò)模型的泛化性能,能夠?qū)崿F(xiàn)淡水魚種類的分類識別. 

【文章來源】：西南民族大學學報(自然科學版). 2020,46(06)

【文章頁數(shù)】：8 頁

【部分圖文】：

圖６部分卷積層可視化特征圖??Ｆｉｇ．?６?Ｐａｒｔｉａｌ?ｅｏｉｉｖｏｌｊｊｔｔｅｊｉａｌ?ｌａｙ＾ｒ?ｖｉｓｕａｌｉｚａｔｏｉｉ?ｆｃａｔｕｉ＇ｅ?ｉｎａｐ??

第６期??楊春．蘭：基于卷積神經(jīng)網(wǎng)絡(luò)的淡水裘？．分類識別??６１５??據(jù)集數(shù)據(jù)的多樣性．賣驗対５類淡水魚圖，片進行分類?２０％共２００張（每類４０張＞用作模型測試．鰱魚、黑??以及標注．，每類淡水魚圖片２００張，共計１?０００張，＃?魚、黃鱭魚、鯽魚以及羅非魚分別采用淡水魚序號１??把其中８０％：共８００張（每類１６０張）進行模型訓練，?￣５代表，淡水魚訓練樣本示例圈片如畫３所示．??（ａ）鰱魚?（ｂ）黑魚?（ｃ）黃顙魚?（ｄ）鯽魚?（ｅ）羅非魚??圖３淡水魚訓練樣本示例??Ｆｉｇ．?３?Ｅｘａｍｐｌｅｓ?ｏｆ?ｆｒｅｓｈＭ－ａｔｅｒ?ｆｉｓｈ?ｔｒａｉｎｉｎｇ?ｓａｍｐｌｅ??為了防止淡水魚數(shù)據(jù)集過小而造成過擬合，對訓?的翅片為３００像素ｘ?３００像素Ｖ．Ｍ過隨機旋轉(zhuǎn)及亮：度??練圖片進行旋轉(zhuǎn)，亮度變換以及對比度處理，增加訓?對比度調(diào)整后的預處理之后的圖片如圖４所示．??練數(shù)據(jù)，并對輸入圖片進行歸一化操作，處理后：褥到??（ａ）旋轉(zhuǎn)后圖片??（ｂ）亮度對比度調(diào)整后圖片??圖４圖像預處理示例??Ｆｉｇ．?４?Ｅｘａｍｐｌｅｓ?ｏｆ?ｉｍａｇｅ?ｐｒｅｐｒｏｃｅｓｓｉｎｇ??２．３網(wǎng)絡(luò)的訓練過程及結(jié)果??系統(tǒng)選用ＴｅｍｏｒＦｋｗ學習框架對網(wǎng)絡(luò)迸行訓練??以及驗證測試，為了提升網(wǎng)絡(luò)訓練的效率以及性能，??把ＶＧＧ１６網(wǎng)絡(luò)在原數(shù)據(jù)集上訓練的模型權(quán)重參數(shù)作??為系統(tǒng)的初始參數(shù)值次從訓練數(shù)據(jù)集中抽取的??ｂｕｔｄｓｉｚｆｊ．?＿數(shù)鐘為３２，攀＿率＿初：始１億設(shè)為＿?０．?０００１．??網(wǎng)舉選用．Ａｄａｍ［?｜９］?．（Ａｄａｐｔｉｖｅ?．Ｍｏｍｅｎｔ?Ｅｓｔｉｒｆｌａｔｉｔｔｎ）優(yōu)化??算法對系統(tǒng)進行優(yōu)化訓練．系統(tǒng)每

中８０％：共８００張（每類１６０張）進行模型訓練，?￣５代表，淡水魚訓練樣本示例圈片如畫３所示．??（ａ）鰱魚?（ｂ）黑魚?（ｃ）黃顙魚?（ｄ）鯽魚?（ｅ）羅非魚??圖３淡水魚訓練樣本示例??Ｆｉｇ．?３?Ｅｘａｍｐｌｅｓ?ｏｆ?ｆｒｅｓｈＭ－ａｔｅｒ?ｆｉｓｈ?ｔｒａｉｎｉｎｇ?ｓａｍｐｌｅ??為了防止淡水魚數(shù)據(jù)集過小而造成過擬合，對訓?的翅片為３００像素ｘ?３００像素Ｖ．Ｍ過隨機旋轉(zhuǎn)及亮：度??練圖片進行旋轉(zhuǎn)，亮度變換以及對比度處理，增加訓?對比度調(diào)整后的預處理之后的圖片如圖４所示．??練數(shù)據(jù)，并對輸入圖片進行歸一化操作，處理后：褥到??（ａ）旋轉(zhuǎn)后圖片??（ｂ）亮度對比度調(diào)整后圖片??圖４圖像預處理示例??Ｆｉｇ．?４?Ｅｘａｍｐｌｅｓ?ｏｆ?ｉｍａｇｅ?ｐｒｅｐｒｏｃｅｓｓｉｎｇ??２．３網(wǎng)絡(luò)的訓練過程及結(jié)果??系統(tǒng)選用ＴｅｍｏｒＦｋｗ學習框架對網(wǎng)絡(luò)迸行訓練??以及驗證測試，為了提升網(wǎng)絡(luò)訓練的效率以及性能，??把ＶＧＧ１６網(wǎng)絡(luò)在原數(shù)據(jù)集上訓練的模型權(quán)重參數(shù)作??為系統(tǒng)的初始參數(shù)值次從訓練數(shù)據(jù)集中抽取的??ｂｕｔｄｓｉｚｆｊ．?＿數(shù)鐘為３２，攀＿率＿初：始１億設(shè)為＿?０．?０００１．??網(wǎng)舉選用．Ａｄａｍ［?｜９］?．（Ａｄａｐｔｉｖｅ?．Ｍｏｍｅｎｔ?Ｅｓｔｉｒｆｌａｔｉｔｔｎ）優(yōu)化??算法對系統(tǒng)進行優(yōu)化訓練．系統(tǒng)每次抽�。常矀�訓練??圖像輸人網(wǎng)絡(luò)進行訓練，通過神綠網(wǎng)絡(luò)的３Ｅ向傳播訓??練獲得預測值，計算獲得預測值與實際值間的誤差??氧系統(tǒng)采用早停的方法防止訓練產(chǎn)生過擬含，假如??驗證集？養(yǎng)收斂訓練停止？或系統(tǒng)迭代的次數(shù)到達預??先的設(shè)定數(shù)值訓練停止，否則繼續(xù)訓練過程．系統(tǒng)通??過反向傳播誤靠


本文編號：3140189