基于FTVGG16卷积神经网络的鱼类识别方法

• 作者: 刘烨琦 方晓敏 陈英义 龚川洋
• 来源期刊: 农业机械学报
• 学科: 工学
• 关键词: 鱼类识别 卷积神经网络 迁移学习 模式识别
• 年，卷（期）: 2019,（5）
• 所属期刊栏目: 农业信息化工程
• 页码范围: 223-231
• 页数: 9页
• 分类号: TP391
• 语种: 中文
• DOI: 10.6041/j.issn.1000-1298.2019.05.026

摘要

针对大多数应用场景中,大多数鱼类呈不规则条状,鱼类目标小,受他物遮挡和光线干扰,且一些基于颜色、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、特征提取具有盲目和不确定性,最终导致识别准确率低、分类效果差等问题,本文在分析已有的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(Batchnormalization,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 convolutional neural network,FTVGG16).测试结果表明:FTVGG16模型在很大程度上能够克服训练的过拟合,收敛速度明显加快,训练时间明显减少,针对鱼类目标很小、背景干扰很强的图像,FTVGG16模型平均准确率为97.66％,对部分鱼的平均识别准确率达到了99.43％.