魚類側(cè)線鱗作為魚體身上重要的感覺器官,也是最重要的表型屬性之一,其數(shù)目一直是漁業(yè)研究者對(duì)魚進(jìn)行分門別類的重要依據(jù)。長期以來,側(cè)線鱗計(jì)數(shù)的工作主要依靠研究者手工完成,自動(dòng)化程度較低,容易出錯(cuò),這極大地阻礙了漁業(yè)養(yǎng)殖和研究的發(fā)展與進(jìn)步。機(jī)器視覺技術(shù)作為一種客觀、無損的檢測(cè)方式,其在獲取魚類的表型屬性方面有著傳統(tǒng)的手工獲取方法所無可比擬的優(yōu)勢(shì)。目前,基于機(jī)器視覺的淡水魚表型獲取的研究主要集中于尺寸、顏色、形狀等屬性上,而關(guān)于側(cè)線鱗檢測(cè)的研究卻罕見報(bào)道。究其原因,主要是因?yàn)閭?cè)線鱗與非側(cè)線鱗在魚類體表上的顏色、紋理、結(jié)構(gòu)等差異較小,很難通過傳統(tǒng)的機(jī)器視覺方法對(duì)其加以區(qū)分。針對(duì)此問題,本文提出了 一種基于卷積神經(jīng)網(wǎng)絡(luò)的側(cè)線鱗識(shí)別方法,以期為后續(xù)的側(cè)線鱗精確計(jì)數(shù)的研究提供參考依據(jù)。本文從采樣方法、網(wǎng)絡(luò)結(jié)構(gòu)和采樣策略等方面展開研究與討論,主要研究內(nèi)容如下:1)使用改進(jìn)的LetNet-5模型構(gòu)建側(cè)線鱗識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。根據(jù)側(cè)線鱗在魚體表面的分布特點(diǎn),提出了三種不同的采樣尺寸方法。此外,設(shè)計(jì)了基于手工特征提取方式的側(cè)線鱗識(shí)別實(shí)驗(yàn),對(duì)比發(fā)現(xiàn),在相同的樣本集下,卷積神經(jīng)網(wǎng)絡(luò)在側(cè)線鱗識(shí)別任務(wù)中具有明顯優(yōu)勢(shì)... 

【文章頁數(shù)】：81 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景及意義
    1.2 魚類表型特征國內(nèi)外研究現(xiàn)狀
        1.2.1 識(shí)別分類
        1.2.2 疾病診斷
    1.3 存在問題
    1.4 主要研究內(nèi)容和組織結(jié)構(gòu)
        1.4.1 主要研究內(nèi)容
        1.4.2 本文組織結(jié)構(gòu)
    1.5 本章小結(jié)
第二章 人工神經(jīng)網(wǎng)絡(luò)與卷積神經(jīng)網(wǎng)絡(luò)
    2.1 人工神經(jīng)網(wǎng)絡(luò)
        2.1.1 基本神經(jīng)元
        2.1.2 感知機(jī)模型
        2.1.4 反向傳播算法
    2.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.1 稀疏連接和權(quán)值共享
        2.2.2 卷積神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)
    2.3 公開數(shù)據(jù)集及其模型介紹
    2.4 本章小結(jié)
第三章 基于卷積神經(jīng)網(wǎng)絡(luò)和手工特征提取的側(cè)線鱗識(shí)別
    3.1 前言
    3.2 側(cè)線鱗圖像樣本采集
        3.2.1 圖像采集
        3.2.2 樣本采集
    3.3 基于卷積神經(jīng)網(wǎng)絡(luò)的側(cè)線鱗識(shí)別
        3.3.1 側(cè)線鱗識(shí)別網(wǎng)絡(luò)結(jié)構(gòu)
        3.3.2 不同樣本集下實(shí)驗(yàn)及其結(jié)果分析
    3.4 基于手工特征提取的側(cè)線鱗識(shí)別
        3.4.1 圖像灰度化預(yù)處理
        3.4.2 圖像特征提取
        3.4.3 實(shí)驗(yàn)及其結(jié)果分析
    3.5 本章小結(jié)
第四章 小樣本下的側(cè)線鱗識(shí)別處理策略研究
    4.1 前言
    4.2 網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整
        4.2.1 Batch Size調(diào)整及其實(shí)驗(yàn)結(jié)果分析
        4.2.2 Kernel Size調(diào)整及其實(shí)驗(yàn)結(jié)果分析
        4.2.3 實(shí)驗(yàn)小節(jié)
    4.3 樣本擴(kuò)充
        4.3.1 基于加噪和幾何變換的虛擬樣本擴(kuò)充
        4.3.2 基于主動(dòng)學(xué)習(xí)采樣策略的樣本擴(kuò)充
        4.3.3 實(shí)驗(yàn)小結(jié)
    4.4 側(cè)線擬合
        4.4.1 SVR回歸算法
        4.4.2 側(cè)線擬合實(shí)驗(yàn)
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間科研成果
致謝



本文編號(hào)：3722984