深度学习在渔业图像识别中的应用研究.pdf

《深度学习在渔业图像识别中的应用研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、学校代码：10264研究生学号：M150551706上海海洋大学硕士学位论文题目：深度学习在渔业图像识别中的应用研究StudyonDeepLearningApplication英文题目：ofFisheryImageRecognition专业：计算机技术研究方向：人工智能姓名：王柯力指导教师：袁红春二O一八年四月三日上海海洋大学硕士学位论文上海海洋大学学位论文原创性声明本人郑重声明：我恪守学术道德，崇尚严谨学风。所呈交的学位论文，是本人在导师的指导下，独立进行研究工作所取得的成果。除文中已经明确注明和引用的内容外，本

2、论文不包含任何其他个人或集体已经发表或撰写过的作品及成果的内容。论文为本人亲自撰写，我对所写的内容负责，并完全意识到本声明的法律结果由本人承担。学位论文作者签名：日期：年月日上海海洋大学学位论文版权使用授权书学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅或借阅。本人授权上海海洋大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。保密□，在年解密后适用本版权书。本学位论文属

3、于不保密□学位论文作者签名：指导教师签名：日期：年月日日期：年月日上海海洋大学硕士学位论文上海海洋大学博/硕士学位论文答辩委员会成员名单姓名工作单位职称备注答辩地点答辩日期上海海洋大学硕士学位论文深度学习在渔业图像识别中的应用研究摘要如今人们对生活品质的要求随着社会的发展越来越高，而水产品作为日常食物的重要组成部分，与之相关的水产养殖行业也引起了人们的高度关注。自我国确立“以养为主”的方针后行业规模快速扩大，并开始越来越多地应用现代化智能科技。其中，计算机图像技术是目前渔业信息技术领域内的重要分支，而此前长期应用的

4、传统机器视觉技术由于普遍依赖人工设计特征，导致工作效率不高且准确率不佳，已开始逐渐被基于深度学习的图像处理技术所取代，后者以其卓越的性能优势，与训练成型后无需人工干涉的特点，节约了大量对新从业人员培养专业技能的时间，有助于快速新建养殖点，以及行业往精细养殖方向发展。然而深度学习技术同样存在缺点，如养殖环节中的水产动物分类模型开发难度大，对运算能力与样本量要求极高；而应用于物体检测方面的SSD（SingleShotMultiBoxDetector）模型则存在对小目标检测效果不佳的缺陷，这些问题限制了行业的智能化发展进

5、程，是目前亟待解决的研究热点。深度神经网络（DeepNeuralNetwork,DNN）起源自人工神经网络（ArtificialNeuralNetwork,ANN），雏形为GeoffreyHinton于1986年提出的多层感知器（MultipleLayerPerceptron,MLP）。自2012年Hinton课题组的AlexNet在ImageNet图像识别比赛以绝对优势超越第二名夺得冠军后，深度学习已成为当前的热点研究课题。其应用于图像处理领域时最有效的结构为深度卷积神经网络（DeepConvolutionalN

6、euralNetwork,DCNN），这一结构通过多次卷积采样的方式以小尺寸的卷积核来对输入图像进行特征提取，通常低层特征比较抽象，筛选出图像中的细节如纹理、边缘等，而深层的卷积核感受野较大，提取的特征较具体，更具有可辨识能力。深度卷积神经网络舍弃了传统图像识别方法中显式的特征设计环节，改由网络完全自动地以卷积方式隐式地提取特征，在静态图像识别准确率方面已经超过了人类的水平。课题结合深度学习技术的发展，将智能化技术融入水产养殖行业中，设计了面向养殖环节的水产动物图像分类模型与面向管理环节的物体检测与识别方法。主要工

7、作归纳如下：（1）针对适用于水产动物图像识别的DCNN模型开发难度大的问题，提出I上海海洋大学硕士学位论文了一种基于参数迁移策略采用微调方式再训练源模型的方法。首先对图像进行数据归一化与增强等预处理；然后在修改源模型全连接分类层的基础上，进一步将高层卷积模块的权重设置为可训练状态以进行自适应调整；最后，以验证集识别率与训练时间作为评估指标，针对不同源模型采用不同的可训练参数占比进行性能实验。结果表明，通过再训练得到的图像识别模型准确率可达到97.4%，相比源模型最多可提高20个百分点；在可训练参数占比为75%左右时

8、可得到较理想的性能。通过实验证实了采用微调方法可以有效地在低成本开发条件下得到性能良好的深度神经网络图像识别模型。（2）针对SSD模型对于小目标检测效果不佳的问题，实现了一种改进的方法，采用Inception结构来替代源模型中VGG16结构之后的额外卷积层，将原本单一的3×3卷积核替换为1×1,3×3,5×5（分割成2个3×3）卷积核，这些多尺寸卷积核可以提