论文部分内容阅读
海洋渔业过度捕捞严重威胁着渔业生态安全,捕捞监管是维护海洋渔业生态的主要途径之一,但监管部门也面临着监管手段和方法相对滞后的困境,捕捞监管系统智能化升级是解决这一困境的有效途径,而具有较高精度和较强泛化性的鱼类识别方法则是智能化升级的关键。本文主要运用基于迁移学习的图像分类和目标检测技术研究了专门针对海洋渔业捕捞监管复杂场景下的鱼类识别方法。针对捕捞监管实际工作场景,分别从上岸识别场景和实时检测场景展开研究工作。首先,解决了图像分类任务数据量较少的问题。训练数据集来自数据科学竞赛平台Kaggle,为了使数据分布更加合理,采用分层抽样的方法将该数据集分为训练集、验证集和测试集3部分。为了避免出现过拟合问题,需要对数据进行增广。比较了Lucid Data方法和常见数据增广方法的优缺点,最终选用了包括反转、裁剪、平移等常见方法进行数据增广。另外,针对目标检测任务则使用了LabelImg软件对数据进行标注。其次,提出了一种基于迁移学习模型融合的鱼类识别方法。基于AlexNet、InceptionV3、ResNet50三种模型,保留它们的特征提取部分,在其之后接入新的结构模块,形成新的待训练网络。在数据增广前后的数据集上分别使用经过预训练的参数和没经过预训练的参数两种方式针对待训练网络进行了训练。为了进一步加强该方法的鲁棒性,又结合了集成学习中的简单平均法对三种模型进行融合。经实验验证,经迁移学习训练的改进网络在海洋渔业捕捞监管场景下对鱼类的识别精度普遍提升20%以上,而且模型融合后其鲁棒性更强。最后,提出了一种基于YOLO-V3-Tiny-MobileNet的实时鱼类检测方法。相较于渔船上岸后进行检测的监管方法,实时检测的监管方法能够对渔船现场作业人员及时发出作业警示,更有利于渔业生态保护。本文以YOLO-V3-Tiny作为基准(baseline)提出了一种实时检测鱼类的方法。结合MobileNet对YOLO-V3-Tiny存在的特征提取网络层数较浅及特征提取能力不足问题进行了改进,形成了YOLO-V3-Tiny-MobileNet网络结构。改进后的网络先经VOC2012数据集进行预训练,然后在NCFM数据集上进行再训练,得到的模型与改进前网络进行了多方面比较分析。实验结果表明,改进后模型的平均精度提升了5.51%,参数减少了500多万,并且使用预训练参数训练的网络收敛提前了37个epoch。研究表明,相较于传统方法,基于迁移学习思想的鱼类识别和检测方法可以更为有效地解决海洋渔业捕捞监管复杂场景下的鱼类识别问题,能够为渔业捕捞监管系统的智能化升级提供可靠的技术支撑。