论文部分内容阅读
针对大多数应用场景中如视频、图像存在鱼类目标小、他物遮挡、光线干扰等问题,并且大多数鱼类呈不规则条状,一些基于颜色、形状、纹理特征的传统鱼类识别方法在提取图像特征方面存在计算复杂、特征提取主要靠经验,具有盲目、不确定性,最终导致识别准确率低,分类效果差等问题。本文通过分析已有的VGG16卷积神经网络良好的图像特征提取器的基础上,使用ImageNet大规模数据集上预训练的VGG16权重作为新模型的初始化权重,通过增加批规范层(Batch normalization, BN)、池化层、Dropout层、全连接层(Fully connected,FC)、softmax层,采用带有约束的正则权重项作为模型的损失函数,并使用Adam优化算法对模型的参数进行更新,汲取深度学习中迁移学习理论,构建了FTVGG16卷积神经网络(Fine-tuning vgg16 convolution neural network,FTVGG16)。结果表明:FTVGG16模型能够在很大程度上克服训练的过拟合,收敛速度明显加快,训练时间明显减少,在鱼类目标很小,背景干扰很强的图片上,FTVGG16模型平均识别精度98.10%左右,部分鱼的平均识别率更是达到了99.40%,较高的识别精度使FTVGG16模型能够成为一个非常有用的工具,并且可以进一步扩展成可以支持实际应用场景下的一个集成的鱼类识别的系统。