我國(guó)海洋國(guó)土面積廣闊,擁有極其豐富的海洋資源。漁業(yè)資源作為海洋資源的的重要組成部分,對(duì)魚類的檢測(cè)識(shí)別研究能夠更好地輔助調(diào)查捕撈工作及水源水質(zhì)監(jiān)測(cè)工作,并為增強(qiáng)漁業(yè)資源保護(hù)與管理能力提供理論依據(jù)。近年來水下視頻圖像領(lǐng)域的研究不斷深入,為魚類的檢測(cè)識(shí)別研究提供了一定的借鑒作用。然而水下視頻圖像背景復(fù)雜,魚類形態(tài)變化萬千,使得快速準(zhǔn)確定位和識(shí)別水下環(huán)境中的魚類目標(biāo)面臨諸多挑戰(zhàn)�，F(xiàn)存檢測(cè)識(shí)別方法大都基于有監(jiān)督的學(xué)習(xí),需要消耗大量的人力物力。隨著人工智能的發(fā)展,深度學(xué)習(xí)以強(qiáng)大的內(nèi)部網(wǎng)絡(luò)自動(dòng)提取特征能力和高精度的識(shí)別效果在圖像識(shí)別領(lǐng)域掀起熱潮,這為魚類檢測(cè)識(shí)別提供了新思路和新方法。本文在研究深度學(xué)習(xí)相關(guān)理論后,為水下魚類視頻圖像構(gòu)建了卷積神經(jīng)網(wǎng)絡(luò)來促進(jìn)捕撈監(jiān)管系統(tǒng)的智能化,具體內(nèi)容包括以下幾個(gè)方面:（1）本文收集并制作了草金魚、地圖魚、黃鰭鯧等30種共4737張包含復(fù)雜背景的淡水魚類數(shù)據(jù)集Fish30Image?并采用殘差網(wǎng)絡(luò)遷移學(xué)習(xí)方法對(duì)Fish30Image數(shù)據(jù)集和包含23種共27 370張的海水魚類數(shù)據(jù)集Fish4Knowledge進(jìn)行訓(xùn)練,之后經(jīng)過softmax分類器得到最終的魚種分類結(jié)果... 

【文章來源】：浙江農(nóng)林大學(xué)浙江省

【文章頁(yè)數(shù)】：65 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 課題背景及意義
    1.2 研究現(xiàn)狀及分析
        1.2.1 圖像識(shí)別研究現(xiàn)狀
        1.2.2 目標(biāo)檢測(cè)研究現(xiàn)狀
        1.2.3 魚類檢測(cè)識(shí)別研究現(xiàn)狀
    1.3 研究?jī)?nèi)容和組織結(jié)構(gòu)
        1.3.1 主要研究?jī)?nèi)容及創(chuàng)新點(diǎn)
        1.3.2 本文的組織結(jié)構(gòu)
    1.4 總體技術(shù)路線圖
2 數(shù)據(jù)集的建立
    2.1 數(shù)據(jù)增強(qiáng)技術(shù)
    2.2 魚類識(shí)別試驗(yàn)數(shù)據(jù)集
        2.2.1 Fish4Knowledge數(shù)據(jù)集
        2.2.2 Fish30Image數(shù)據(jù)集
    2.3 多目標(biāo)魚體檢測(cè)數(shù)據(jù)集
        2.3.1 Labeled Fishes in the Wild數(shù)據(jù)集
        2.3.2 VOC格式數(shù)據(jù)集制作
3 基于Res Net遷移學(xué)習(xí)的魚類識(shí)別
    3.1 殘差網(wǎng)絡(luò)與遷移學(xué)習(xí)
        3.1.1 殘差網(wǎng)絡(luò)結(jié)構(gòu)
        3.1.2 常用激活函數(shù)
        3.1.3 遷移學(xué)習(xí)實(shí)現(xiàn)
    3.2 基于Adam算法的網(wǎng)絡(luò)優(yōu)化
    3.3 識(shí)別環(huán)境及流程設(shè)置
    3.4 基于遷移學(xué)習(xí)的網(wǎng)絡(luò)優(yōu)化試驗(yàn)
        3.4.1 遷移學(xué)習(xí)學(xué)習(xí)率選擇
        3.4.2 遷移學(xué)習(xí)批處理量選擇
        3.4.3 微調(diào)網(wǎng)絡(luò)對(duì)比實(shí)驗(yàn)
        3.4.4 模型效果驗(yàn)證
    3.5 魚類識(shí)別方法性能對(duì)比
        3.5.1 不同網(wǎng)絡(luò)模型對(duì)比分析
        3.5.2 與傳統(tǒng)魚類識(shí)別方法比較
    3.6 本章小結(jié)
4 基于改進(jìn)Retina Net的多目標(biāo)魚體檢測(cè)
    4.1 Retina Net目標(biāo)檢測(cè)模型
        4.1.1 損失函數(shù)Focal Loss
        4.1.2 錨框生成方案
    4.2 深度可分離卷積
    4.3 訓(xùn)練設(shè)置和評(píng)價(jià)指標(biāo)
        4.3.1 試驗(yàn)環(huán)境設(shè)置
        4.3.2 性能評(píng)價(jià)指標(biāo)
    4.4 試驗(yàn)結(jié)果與分析
        4.4.1 特征提取器優(yōu)化分析
        4.4.2 數(shù)據(jù)增強(qiáng)效果分析
        4.4.3 遷移學(xué)習(xí)優(yōu)化分析
        4.4.4 優(yōu)化算法對(duì)比分析
        4.4.5 深度可分離卷積優(yōu)化分析
    4.5 魚類目標(biāo)檢測(cè)方法性能對(duì)比
        4.5.1 不同算法下的多目標(biāo)魚體檢測(cè)效果分析
        4.5.2 與傳統(tǒng)多目標(biāo)魚體檢測(cè)方法比較
    4.6 本章小結(jié)
5 基于Android的魚類識(shí)別系統(tǒng)設(shè)計(jì)
    5.1 系統(tǒng)需求分析
    5.2 系統(tǒng)架構(gòu)設(shè)計(jì)
    5.3 系統(tǒng)環(huán)境介紹
    5.4 功能模塊實(shí)現(xiàn)
        5.4.1 圖像獲取模塊
        5.4.2 圖像識(shí)別模塊
        5.4.3 信息展示模塊
    5.5 系統(tǒng)測(cè)試
    5.6 本章小結(jié)
6 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
作者在讀期間發(fā)表的學(xué)術(shù)論文
致謝



本文編號(hào)：3200976