论文部分内容阅读
海洋是地球上最大的生态系统,包含非常丰富的物种资源。我国海洋面积300万平方千米,渔业资源在海洋资源中占有非常大的比重,近年来呈现逐渐阑珊的情形。鱼类分类识别在渔业资源研究、鱼类知识的科学推广、水产养殖加工、稀有物种保护等领域具有广泛的应用前景。对周围海域海底环境进行实时监测,分析研究海域中代表性鱼类的分布概况及生活习性,对于渔业资源可持续发展,探测未知生物资源具有重要意义。本文主要通过以下几个方面进行研究:(1)收集巴鲣鱼、大菱鲆、颌针鱼、黑鲷鱼、黄鳍鲷、金钱鱼、鲈鱼、绿鳍鱼、银鲳鱼、鲻鱼十种鱼共计908张图片,对图像进行分类识别研究。提出一种基于Keras深度学习框架的鱼类图像识别算法,以ResNet50为基本的网络框架,使用混淆矩阵进行评判网络模型的优劣程度,通过混淆矩阵中的precision、recall、f1-score指标来直观展示模型的准确度。利用该模型对10种鱼类进行分类识别,结果显示识别正确率达到了93.33%。(2)针对大菱鲆、黄鳍鲷、金钱鱼、鲻鱼这四种鱼类增加数据集的数量,共收集到1123张图像,每种鱼类设置验证集42张图像,采取相同的预处理操作,使用PyTorch框架结构以及ResNet50网络模型,用不同的算法对其进行分类识别,不断对模型进行优化,对四种鱼类训练学习,通过测试其准确率达到96%以上。(3)用PyQt5开发了GUI可视化界面,通过界面中的选择和预测功能按钮进行测试操作,测试结果显示实际类别与预测类别一致,用DSOD框架做了水下目标实时跟踪检测,检测结果表明增加了对小物种的检测精度,同时维持了原有模型的检测速率,检测结果达到期望。