蝦苗計數(shù)是蝦苗養(yǎng)殖與交易過程的重要環(huán)節(jié)。因蝦苗個體小、密度大、易失活等特點,導(dǎo)致蝦苗出苗計數(shù)非常困難。提出了一種卷積神經(jīng)網(wǎng)絡(luò)模型的蝦苗自動計數(shù)技術(shù),先將數(shù)據(jù)樣本中每個目標(biāo)對象用一個像素的點標(biāo)注獲取真實密度圖,再將訓(xùn)練樣本輸入到改進卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)以便從圖像特征生成估計密度圖,最后由密度圖獲得整個視野中的蝦苗總數(shù)。為驗證方法的有效性,以蝦苗場拍攝的蝦苗圖像做數(shù)據(jù)集并在不同模型上進行對比試驗。結(jié)果顯示:與多列卷積神經(jīng)網(wǎng)絡(luò)（MCNN）、擁擠場景識別網(wǎng)絡(luò)（CSRNet）、上下文感知網(wǎng)絡(luò)（CAN）等經(jīng)典網(wǎng)絡(luò)相比,其平均絕對誤差可分別減少7.6、4.8、3.2。研究表明,該方法在均勻背光環(huán)境下能夠?qū)σ欢芏鹊奈r苗準(zhǔn)確估計其數(shù)量,符合蝦苗養(yǎng)殖業(yè)的計數(shù)要求。 

【文章頁數(shù)】：7 頁

【部分圖文】：

蝦苗標(biāo)記圖像示例

VGGNet網(wǎng)絡(luò)結(jié)構(gòu)

改進的網(wǎng)絡(luò)結(jié)構(gòu)

【參考文獻】：
期刊論文
[1]Pulsar candidate classification with deep convolutional neural networks[J]. Yuan-Chao Wang,Ming-Tao Li,Zhi-Chen Pan,Jian-Hua Zheng.  Research in Astronomy and Astrophysics. 2019(09)
[2]基于改進TV-L1模型的蝦苗計數(shù)方法[J]. 季玉瑤,魏偉波,趙增芳,楊振宇.  青島大學(xué)學(xué)報(自然科學(xué)版). 2018(04)
[3]基于條件生成式對抗網(wǎng)絡(luò)的數(shù)據(jù)增強方法[J]. 陳文兵,管正雄,陳允杰.  計算機應(yīng)用. 2018(11)
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的人群計數(shù)研究[J]. 袁燁,吳震宇,江先志.  成組技術(shù)與生產(chǎn)現(xiàn)代化. 2017(02)
[5]基于改進主成分分析和AdaBoost算法的運動蝦苗識別方法[J]. 劉世晶,王帥,陳軍,劉興國,周海燕.  農(nóng)業(yè)工程學(xué)報. 2017(01)
[6]應(yīng)用重量法計量出池日本對蝦蝦苗的研究[J]. 薛志寧,段吉旺.  河北漁業(yè). 2000(05)
[7]框格式魚(蝦)苗計數(shù)法[J]. 張康德.  農(nóng)村養(yǎng)殖技術(shù). 2000(03)
[8]蝦苗光電計數(shù)器在國內(nèi)首次研制成功[J]. 曹汝德.  中國水產(chǎn). 1988(03)

博士論文
[1]一種金融市場預(yù)測的深度學(xué)習(xí)模型：FEPA模型[D]. 張承釗.電子科技大學(xué) 2016

碩士論文
[1]基于密度函數(shù)估計的高密圖像目標(biāo)計數(shù)算法研究[D]. 張歌.安徽大學(xué) 2019



本文編號：3666974