CNN-LSTM在日本鲭捕捞渔船行为提取中的应用

• Published in: 农业工程学报 Vol. 38; no. 7; pp. 200 - 209
• Main Authors: 王书献, 张胜茂, 唐峰华, 石永闯, 范秀梅, 樊伟, 孙宇
• Format: Journal Article
• Language: Chinese
• Published: 大连海洋大学航海与船舶工程学院,大连 116023 01.04.2022; 农业农村部渔业遥感重点试验室,中国水产科学研究院东海水产研究所,上海 200090%农业农村部渔业遥感重点试验室,中国水产科学研究院东海水产研究所,上海 200090%大连海洋大学航海与船舶工程学院,大连 116023
• Subjects: 电子监控系统; 捕捞行为; 卷积神经网络; 长短期记忆; 日本鲭
• ISSN: 1002-6819
• DOI: 10.11975/j.issn.1002-6819.2022.07.022

S973; 目前,国内外部分自动化程度较高的捕捞渔船逐渐开始采用人类观察员与电子观察员相结合的捕捞监控方式.为简化电子监控系统数据处理流程、提高电子监控系统自动化程度、增强相关渔业公司及政府部门的管理效率,该研究提出将卷积神经网络(Convolutional Neural Network,CNN)与长短期记忆模块(Long Short Term Memory,LSTM)应用在传统电子监控系统数据中,用于灯光渔业日本鲭捕捞渔船行为提取.根据日本鲭捕捞渔船工作特点,划分出放网、收网、进鱼、转载等9种捕捞作业行为.设计4组平行试验,分别对比3层卷积神经网络、带有LSTM模块的3层卷积神经网络、8层卷积神经网络、带有LSTM模块的8层卷积神经网络在日本鲭捕捞渔船行为提取中的表现.试验结果显示,在测试集中该4种神经网络训练得到的模型综合评价指标F1分数分别达到了0.794、0.799,0.966及0.972,在配备NVIDIA Tesla V10032GB高性能GPU的超算环境下5000组数据平均每次检测耗时分别为34.66、34.50、37.41、37.61 ms.在一定范围内,网络深度的增加会显著提升模型的效果,但检测耗时也会有明显增加;LSTM模块的加入对网络模型效果有一定程度的提升,且不会显著影响检测耗时.因此,CNN-LSTM模块在电子监控系统高实时性、高精度场景下均有较大的应用前景,能够提高电子监控系统自动化程度,提高相关部门的管理效率.