基于残差注意力网络模型的浮游植物识别

• 作者: 项和雨 邹斌 唐亮 陈维国 饶凯锋 刘勇 马梅 杨艳
• 来源期刊: 生态学报
• 关键词: 水质监测 浮游植物识别 残差注意力网络 深度学习
• 年，卷（期）: 2021,（17）
• 所属期刊栏目: 研究论文
• 页码范围: 6883-6892
• 页数: 9页
• 语种: 中文
• DOI: 10.5846/stxb202002140258

摘要

浮游植物作为水生态系统中最重要的生物组成部分之一，对水环境敏感，在水环境监测中得到了广泛的关注。然而水生环境复杂多样，准确高效地识别浮游植物是监测工作中的一大挑战。当前浮游植物识别方法可分为经典形态学分类、分子标记和人工智能图像识别三类。前两种方法已被广泛采用，但费时费力，不利于监测机构的大规模应用和推广。同样，利用图像进行自动化分类难以在高准确率与高效率上达到平衡。深度学习技术的发展为此提供了新思路。本文提出一种新的深度卷积神经网络RAN-11。该网络以残差注意力网络Attention-56和Attention-92为基础，凭借通道对齐融合主干上的底层特征与顶层特征，通过调整注意力模块和残差快个数以精简结构，并引入了LeakyReLU激活函数代替ReLU。以太湖11个优势属共计1036张图像为数据来源进行对比验证。除星杆藻外，RAN-11对单一优势属的的查准率都在90%以上，并且有5个优势属达到100%的查准率。RAN-11的识别准确率为95.67%，推理速率为41.5帧/s，不仅比Attention-92(95.19%的准确率，23.6帧/s)更准确，而且比Attention-56(94.71%的准确率，41.2帧/s)更快，真正兼顾了准确率与效率。研究结果表明：(1)RAN-11在查准率、准确率和推理速率上优于原始残差注意力网络，更优于以词包模型为代表的传统图像识别方法；(2)融合多尺度特征、精简网络结构和优化激活函数是提高卷积神经网络性能的有力手段。建立在经典分类基础之上，本文提出新的残差注意力网络来提升浮游植物鉴定技术，并构建出浮游植物自动化识别系统，识别准确率高、易于推广，对于实现水体中浮游植物的自动化监测具有重要意义。