在魚苗養(yǎng)殖過程中,同一養(yǎng)殖池會出現(xiàn)個體大的魚苗攻擊個體小的魚苗,個體小的魚苗會出現(xiàn)傷病甚至死亡,造成經(jīng)濟損失,魚苗分塘和售賣價格主要與其體長參數(shù)相關(guān),因此需要對不同大小的魚苗進行分離。魚苗分類主要依賴于不同大小的網(wǎng)篩,費時費力,且容易對魚苗造成損傷。針對傳統(tǒng)人工分離方法效率低下并且缺乏科學(xué)指導(dǎo)的問題,本文提出了基于可見光譜的魚苗體長估測方法研究,能夠根據(jù)魚苗圖像計算魚苗長度并進行分類。為了精確無損的獲取魚苗的體長,提出了基于遷移學(xué)習(xí)ResNet50模型的魚苗體長估測方法。首先采集在同等高度條件下拍攝的不同長度魚苗圖像,同時手工測量魚苗的實際長度作為數(shù)據(jù)集的標(biāo)簽,用四種遷移學(xué)習(xí)模型AlexNet, VGG16, GoogLeNet, ResNet50對魚苗體長進行估算,通過驗證集準(zhǔn)確率,測試集準(zhǔn)確率,以及不同方法的運行時間三個指標(biāo)進行分析, AlexNet模型驗證集準(zhǔn)確率90.04%,測試集準(zhǔn)確率89.82%,運行時間52 min 3 s; VGG16模型驗證集準(zhǔn)確率91.01%,測試集準(zhǔn)確率91.17%,運行時間131 min 37 s; GoogLeNet模型驗證集準(zhǔn)確率88.02%... 

【文章來源】：光譜學(xué)與光譜分析. 2020,40(04)北大核心EISCICSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

采集數(shù)據(jù)示意圖

數(shù)據(jù)預(yù)處理由數(shù)據(jù)歸一化和增強兩部分組成。 歸一化將數(shù)據(jù)統(tǒng)一映射到[0, 1]區(qū)間, 在進行梯度下降處理時, 會減少遷移學(xué)習(xí)模型訓(xùn)練時間, 提升模型的收斂速度和精度。 數(shù)據(jù)增強可以擴大原有的數(shù)據(jù)集樣本, 對模型的識別性能和泛化能力都有著非常重要的作用。1.2.1 數(shù)據(jù)增強

數(shù)據(jù)歸一化就是要讓數(shù)據(jù)歸一化為均值為0, 方差為1, 見式(1)x ˉ (k) = x (k) -E(x (k) ) Var(x (k) ) ?????? ??? (1) E(x (k) )= 1 m ∑ i=1 m x i ?????? ??? (2) Var(x (k) )= 1 m ∑ i=1 m ( x i -E(x (k) )) 2 ?????? ??? (3)

【參考文獻】：
期刊論文
[1]基于深度卷積神經(jīng)網(wǎng)絡(luò)的水稻穗瘟病檢測方法[J]. 黃雙萍,孫超,齊龍,馬旭,汪文娟.  農(nóng)業(yè)工程學(xué)報. 2017(20)
[2]深度學(xué)習(xí)相關(guān)研究綜述[J]. 張軍陽,王慧麗,郭陽,扈嘯.  計算機應(yīng)用研究. 2018(07)
[3]雙目視覺用于魚苗尺寸測量[J]. 郭卜瑜,于佳,王姣姣,劉惠萍.  光學(xué)技術(shù). 2017(02)
[4]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 李彥冬,郝宗波,雷航.  計算機應(yīng)用. 2016(09)
[5]基于卷積神經(jīng)網(wǎng)絡(luò)的奶牛個體身份識別方法[J]. 趙凱旋,何東健.  農(nóng)業(yè)工程學(xué)報. 2015(05)



本文編號：3313414