基于鱼体特征点检测的淡水鱼种类识别

TP391.4; 针对传统机器视觉技术对淡水鱼种类进行检测时特征提取过程复杂的问题,该研究提出了基于特征点检测的淡水鱼种类识别方法.以鳊、鳙、草鱼、鲢、鲤 5种大宗淡水鱼为对象,构建了淡水鱼特征点检测数据集;以AlexNet模型为基础,通过减小卷积核尺寸、去除局部响应归一化、引入批量归一化、更换损失函数,构建了改进AlexNet模型用于特征点检测;并以特征点为依据提取特征值、构造特征向量,使用Fisher判别分析方法实现了淡水鱼的种类识别.试验结果表明:改进AlexNet模型在测试集上的归一化平均误差的均值为 0.0099,阈值δ为 0.02和 0.03时的失败率F0.02、F0.03 分别为...

Full description

Saved in:
Bibliographic Details
Published in农业工程学报 Vol. 39; no. 11; pp. 155 - 164
Main Authors 朱明, 李梦珂, 万鹏, 肖畅宇, 赵竣威
Format Journal Article
LanguageChinese
Published 农业农村部水产养殖设施工程重点实验室,武汉430070 01.06.2023
华中农业大学工学院,武汉430070
农业农村部长江中下游农业装备重点实验室,武汉430070
农业农村部华南现代农业智能装备重点实验室,广州,510630
农业农村部长江中下游农业装备重点实验室,武汉430070%华中农业大学工学院,武汉430070
农业农村部水产养殖设施工程重点实验室,武汉430070%华中农业大学工学院,武汉430070
Subjects
种类识别
deep learning
特征点检测
feature point detection
深度学习
fish
species recognition
Fisher discriminant analysis
鱼
图像识别
Fisher判别分析
image recognition
Online AccessGet full text
ISSN1002-6819
DOI10.11975/j.issn.1002-6819.202301096

Cover

More Information
Summary:TP391.4; 针对传统机器视觉技术对淡水鱼种类进行检测时特征提取过程复杂的问题,该研究提出了基于特征点检测的淡水鱼种类识别方法.以鳊、鳙、草鱼、鲢、鲤 5种大宗淡水鱼为对象,构建了淡水鱼特征点检测数据集;以AlexNet模型为基础,通过减小卷积核尺寸、去除局部响应归一化、引入批量归一化、更换损失函数,构建了改进AlexNet模型用于特征点检测;并以特征点为依据提取特征值、构造特征向量,使用Fisher判别分析方法实现了淡水鱼的种类识别.试验结果表明:改进AlexNet模型在测试集上的归一化平均误差的均值为 0.0099,阈值δ为 0.02和 0.03时的失败率F0.02、F0.03 分别为 2.50%和 0.83%,具有较好的精准度和误差分布情况;基于该模型和Fisher判别分析的淡水鱼种类识别方法对5种淡水鱼的识别准确率为 98.0%,单幅图像的平均识别时间为 0.368 s,保证了时效性.由此可知,提出的改进AlexNet模型能实现淡水鱼的特征点检测并具有较高的精度,可为淡水鱼种类识别、尺寸检测、鱼体分割等提供条件,该方法可为淡水鱼自动化分类装置的研发奠定基础.
ISSN:1002-6819
DOI:10.11975/j.issn.1002-6819.202301096