漁船作業(yè)類型可分為多種,作為典型近海捕撈作業(yè)方式的刺網(wǎng)和拖網(wǎng)捕撈漁船可占總船數(shù)的72.6%,準(zhǔn)確的漁船作業(yè)類型識別可輔助漁船管理。利用北斗漁船監(jiān)控系統(tǒng)（vessel monitoring system,VMS）數(shù)據(jù)提出一種對刺網(wǎng)和拖網(wǎng)作業(yè)分類識別的方法,因拖網(wǎng)和刺網(wǎng)漁船作業(yè)軌跡存在一定的差別,研究先提取出每艘船的航次信息,然后根據(jù)航次信息將原始刺網(wǎng)和拖網(wǎng)每條船的VMS劃分為多個航次數(shù)據(jù),根據(jù)航次數(shù)據(jù)中的經(jīng)緯度數(shù)據(jù)批量畫出每個航次的航跡圖,再利用深度卷積神經(jīng)網(wǎng)絡(luò)模型對航跡圖進(jìn)行訓(xùn)練學(xué)習(xí),進(jìn)而實現(xiàn)刺網(wǎng)和拖網(wǎng)作業(yè)類型分類識別。通過使用自定義的10層CNN模型及使用遷移學(xué)習(xí)和模型微調(diào)方法調(diào)整后的VGG-16模型進(jìn)行對比實驗,結(jié)果顯示,自定義的CNN模型最終精度為94.3%,證明了本方法的可行性,模型可用于輔助刺網(wǎng)、拖網(wǎng)作業(yè)類型判斷。 

【文章來源】：海洋漁業(yè). 2020,42(02)北大核心CSCD

【文章頁數(shù)】：12 頁

【部分圖文】：

研究實驗流程圖

圖2為漁船航次示意圖,格網(wǎng)中心點為港口。圖2中有2個航次,分別是航次1和航次2。航次1從港口格網(wǎng)A出發(fā),經(jīng)過海上捕撈作業(yè),在港口格網(wǎng)C返港;航次2從港口格網(wǎng)D出發(fā),經(jīng)過海上捕撈作業(yè),在港口格網(wǎng)D返港。1.3.2 航跡圖生成方法

航跡圖生成流程示意圖

【參考文獻(xiàn)】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的孤立詞語音識別[J]. 侯一民,李永平.  計算機(jī)工程與設(shè)計. 2019(06)
[2]基于深度學(xué)習(xí)網(wǎng)絡(luò)的乳腺癌圖片分類研究[J]. 程年,俞晨,寧靜艷.  軟件導(dǎo)刊. 2019(08)
[3]FVID: Fishing Vessel Type Identification Based on VMS Trajectories[J]. HUANG Haiguang,HONG Feng,LIU Jing,LIU Chao,FENG Yuan,GUO Zhongwen.  Journal of Ocean University of China. 2019(02)
[4]深度學(xué)習(xí)分類網(wǎng)絡(luò)研究及其在計算機(jī)視覺中的應(yīng)用[J]. 王一幃.  通訊世界. 2019(03)
[5]基于北斗船位數(shù)據(jù)的海南省漁船航次動態(tài)監(jiān)測與分析[J]. 張勝茂,樊偉,張衡,楊勝龍,唐峰華,朱文斌.  南方水產(chǎn)科學(xué). 2018(05)
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的空心村高分影像建筑物檢測方法[J]. 李政,李永樹,吳璽,劉剛,魯恒,唐敏.  農(nóng)業(yè)機(jī)械學(xué)報. 2017(09)
[7]基于卷積神經(jīng)網(wǎng)絡(luò)的鮮茶葉智能分選系統(tǒng)研究[J]. 高震宇,王安,劉勇,張龍,夏營威.  農(nóng)業(yè)機(jī)械學(xué)報. 2017(07)
[8]基于NPP/VIIRS夜光遙感影像的作業(yè)燈光圍網(wǎng)漁船識別[J]. 郭剛剛,樊偉,薛嘉倫,張勝茂,張衡,唐峰華,程田飛.  農(nóng)業(yè)工程學(xué)報. 2017(10)
[9]基于神經(jīng)網(wǎng)絡(luò)和VMS的漁船捕撈類型辨別[J]. 鄭巧玲,樊偉,張勝茂,張衡,王曉旋,郭剛剛.  南方水產(chǎn)科學(xué). 2016(02)
[10]船位監(jiān)控系統(tǒng)數(shù)據(jù)挖掘與應(yīng)用研究進(jìn)展[J]. 郭剛剛,樊偉,張勝茂,鄭巧玲,王曉璇.  海洋漁業(yè). 2016(02)



本文編號：3235014