鱼类侧线鳞作为鱼体身上重要的感觉器官,也是最重要的表型属性之一,其数目一直是渔业研究者对鱼进行分门别类的重要依据。长期以来,侧线鳞计数的工作主要依靠研究者手工完成,自动化程度较低,容易出错,这极大地阻碍了渔业养殖和研究的发展与进步。机器视觉技术作为一种客观、无损的检测方式,其在获取鱼类的表型属性方面有着传统的手工获取方法所无可比拟的优势。目前,基于机器视觉的淡水鱼表型获取的研究主要集中于尺寸、颜色、形状等属性上,而关于侧线鳞检测的研究却罕见报道。究其原因,主要是因为侧线鳞与非侧线鳞在鱼类体表上的颜色、纹理、结构等差异较小,很难通过传统的机器视觉方法对其加以区分。针对此问题,本文提出了 一种基于卷积神经网络的侧线鳞识别方法,以期为后续的侧线鳞精确计数的研究提供参考依据。本文从采样方法、网络结构和采样策略等方面展开研究与讨论,主要研究内容如下:1)使用改进的LetNet-5模型构建侧线鳞识别的卷积神经网络结构。根据侧线鱗在鱼体表面的分布特点,提出了三种不同的采样尺寸方法。此外,设计了基于手工特征提取方式的侧线鳞识别实验,对比发现,在相同的样本集下,卷积神经网络在侧线鳞识别任务中具有明显优势。2)针对卷积神经网络在训练过程中出现的轻微过拟合问题,对深度网络结构中的KernelSize和Batch Size大小进行调整,并进行对比实验。结果表明,当Batch Size=20,Kernel Size=5×5时,模型在验证集上的准确率为98.26%,相比调整之前的97.39%,提高了约0.9个百分点,且调整前后的代价函数损失值分别为0.01208和0.0624,减小了将近一半,过拟合问题得到改善。3)提出了两种样本扩充方案来解决模型在测试集上识别率不高的问题。第一,基于加噪和几何变换的虚拟样本扩充,共生成5400张训练集样本和1035张验证集样本,该方案可有效提高正样本的识别率,但还存在大量被错误识别的负样本。第二,从采样策略上进行改进,提出了基于不确定性采样策略和确定性错误采样策略相结合的主动学习采样方法,提高样本标注效率,丰富样本结构,并有效提高测试集中侧线鱗的识别效果,负样本被错误识别的问题得到明显改善。4)使用支持向量机回归算法对识别出来的侧线鳞进行回归拟合。通过本文实验可得,与传统的基于手工特征提取的方式相比,卷积神经网络在侧线鳞识别任务中具有明显优势。当训练样本较小时,网络结构对实验性能有着重要影响。此外,通过虚拟样本扩充技术和基于主动学习的采样方法对样本进行扩充,可有效提高测试集中鱼类体表的侧线鳞识别率。最后,对侧线进行拟合完成最终的侧线检测工作,可作为后续对侧线鳞自动计数展开进一步研究的参考依据。