基于深度学习VGG网络模型的海洋单细胞藻类识别算法

• 作者: 王羽徵 程远 毕海 于秋玉 刘丹
• 来源期刊: 大连海洋大学学报
• 关键词: 卵形小球藻 小等刺硅鞭藻 VGG 深度学习 识别
• 年，卷（期）: 2021,（2）
• 所属期刊栏目: 研究论文|Articles
• 页码范围: 334-339
• 页数: 6页
• 分类号: TP391.41|S931.1
• 语种: 中文
• DOI: 10.16535/j.cnki.dlhyxb.2020-161

摘要

为更好地对海洋中单细胞藻类进行有效识别,本研究提出了基于改进式VGG16网络模型的单细胞藻类识别算法—AlgaeNet,在传统VGG网络模型基础上,通过减少卷积核数量,并添加BatchNormalization层进行神经网络模型加速.结果表明:在相同试验条件下,本研究中提出的AlgaeNet算法在训练过程中的损失值收敛速度及对测试集样本(卵形小球藻Chlorella ovalis与小等刺硅鞭藻Dictyocha fibula Ehrenberg)的预测准确率上升速度较传统VGG、AlexNet网络模型优势明显,识别准确率可达99.317％.研究表明,基于改进式VGG16网络模型的单细胞藻类识别算法AlgaeNet在单细胞藻类识别领域具有较好的分类识别性能,可实现海洋中藻类的准确识别.