文獻標識碼： A
DOI： 10.19358/j.issn.2096-5133.2020.08.011
引用格式： 王文成，蔣慧，喬倩，等. 基于深度學習的魚類識別與檢測的算法研究[J].信息技術與網絡安全，2020，
39(8)：57-61，66.
海洋作為地球上最大的生態系統包含極其豐富的生物和非生物資源。雖然我國海洋面積有300多萬平方千米，但是漁業資源作為海洋資源中重要的一項資源，近年來呈現逐漸衰退趨勢。對周圍海域內海底環境進行實時監測，分析研究海域中代表性魚類的分布概況及生活習性，對于漁業資源可持續發展、探測未知生物資源有著重要意義。
目標識別是計算機視覺領域重要的研究方向之一。隨著科學技術的進步、計算硬件設備水平的提高，基于深度學習的目標識別檢測方法受到了人們廣泛關注。杜衛東等提出一種基于支持向量機(SVM)的多方位聲散射數據決策融合的魚類識別方法，識別準確率達到90%以上，姚潤璐等通過分割魚體，獲得魚肚、魚背圖像，通過提取紋理特征和形狀特征，識別率達到75%，相較于傳統的目標檢測算法，基于卷積神經網絡(CNN)的目標檢測算法通過學習自動提取顏色、輪廓等底層的特征和更高級、抽象的特征，然后利用分類模型進行分類檢測，其檢測結果具有更高的精度和魯棒性。林明旺等采用VGG16模型進行魚類分類識別，但是數據集背景干擾強度大，雖然進行微調，穩定性仍然不好。王文成等用ResNet50網絡模型對十種魚類做了分類識別，準確率達到了93.33%，但是數據集數量有限，識別精度不高；張俊龍等提出在預處理過程中使用權重化卷積操作，對海洋魚類識別準確率提升23%,在視頻觀測中精準識別魚類；梁紅等通過對圖像進行水下降噪的方法，并且對預訓練的網絡微調參數，在海洋魚類數據集上識別準確率達到85.08%。
基于CNN的目標檢測算法依據是否需要提取候選區域分為：基于有候選區域的目標檢測算法和基于無候選區域的目標檢測算法兩種。區域卷積神經網絡(R-CNN)、快速區域卷積神經網絡(Fast R-CNN)、超快速區域卷積神經網絡(Faster R-CNN)，都屬于代表性的基于候選區域的目標檢測算法。該類算法從圖像中事先提取一系列可能的對象候選區域，然后從這些候選區域中提取特征并進行判斷分類。2019年，袁紅春等人利用Faster R-CNN目標檢測方法應用到水下魚類種類識別中，識別準率達到98.12%。該類算法的檢測準確率較高，但是處理速度較慢。無候選區域的目標檢測算法的代表性算法有單級式目標檢測(YOLO)、單點多盒檢測器(SSD)及其改進的算法YOLO v2和深度監督對象檢測器(DSOD)。此類算法去除候選區域提取過程，使用神經網絡直接將一整張圖片輸入神經網絡，然后預測出bounding box的坐標和物體的類別、置信度，檢測物體速度較快。李慶忠等對YOLO實時目標檢測算法進行了改進，采用遷移學習法訓練網絡，預處理中圖像增強以及視頻幀數檢測速率上做了改變，該算法提升了對海底小目標檢測的性能，但存在檢測精度低、檢測小目標會有遺漏等問題。SSD算法同時融合了proposal-free的提取和Faster R-CNNs算法的優點，與其他檢測算法相比，即使輸入圖像尺寸小，SSD依然有更好的精度。DSOD是一種改進的SSD網絡框架算法。相比于SSD目標檢測算法，DSOD整個網絡采用密集的短連接和通道拼接技術，使得DSOD 的模型參數更小，同時能直接在目標數據集上進行訓練，而無需在ImageNet、COCO、PASCAL VOC等公開數據集上進行預訓練。
基于上述的分析，由于分類識別和檢測任務在統計分布和損失函數的差異，存在學習上的偏差，為了解決這個問題，本文利用深度監督對象檢測器(DSOD)方法對選定魚類圖像進行檢測分類識別研究，該模型具有高效的目標檢測網絡，保持了處理速度，提升了對小目標的檢測性能。
本文詳細內容請下載：http://www.xxav2194.com/resource/share/2000003248
作者信息：
王文成1，蔣 慧1，喬 倩1，祝捍皓2，鄭 紅2
(1.浙江海洋大學 船舶與機電工程學院，浙江 舟山316022；
2.浙江海洋大學 海洋科學與技術學院，浙江 舟山316022)