基于显著性增强和迁移学习的鱼类识别研究

• 作者: 易晓梅 樊帅昌 贾宇霞
• 来源期刊: 渔业现代化
• 学科: 农学
• 关键词: 鱼类识别 图像识别 卷积神经网络 迁移学习 显著性检测
• 年，卷（期）: 2020,（1）
• 所属期刊栏目: 水产养殖工程
• 页码范围: 38-46
• 页数: 9页
• 分类号: S951.2
• 字数: 5416字
• 语种: 中文
• DOI: 10.3969/j.issn.1007-9580.2020.01.006

摘要

针对水下鱼类无法快速准确识别的难点,提出一种具有图像主体自动增强功能的鱼类迁移学习方法.该方法将鱼类RGB图像转换至Lab颜色空间后,利用中央周边算子计算得到整个输入图像的显著性值,进而提供鱼类目标的潜在区域,并结合GrabCut算法获取鱼类分割图像,最终将融合分割图的原始图像送入优化后的残差网络中进行训练.通过对23种鱼类进行识别试验,结果显示,固定ImageNet数据集上ResNet-50预训练模型的conv1层和conv2层参数,微调高层参数的方法能够取得最好的识别效果,且在公开的Fish4Knowledge数据集上,该模型取得了最高的识别准确率,平均识别精度达到99.63％.与其他卷积神经网络方法的对比结果显示,本方法在Fish4Knowledge和Fish30Image数据集上的识别精度和时间性能均具有较大优势,其中识别准确率至少提升4.98％.多个数据集上的试验验证了模型的有效性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	易晓梅	浙江农林大学信息工程学院	22	43	4.0	5.0
3	贾宇霞	浙江农林大学信息工程学院	1	0	0.0	0.0
7	樊帅昌	浙江农林大学信息工程学院	2	1	1.0	1.0