在智慧渔业背景下,本文将深度学习与鱼群行为检测相结合,进行了鱼群行为状态分类的课题研究,旨在实现精准把控养殖环境、了解鱼类生长状况及确定鱼类健康等。鱼群行为状态在不同环境因子的影响下有不同的变化,包括运动速度、繁殖能力、学习记忆能力、躲避行为、社交行为等。这些变化不仅体现在群体的空间分布上,也体现在群体及个体的运动速度等时间行为方面。本文首先针对斑马鱼群行为状态进行训练测试实验,通过在实验室环境下采集数据,建立斑马鱼群行为状态样本库,选用典型的神经网络LeNet,VGGNet,ResNet,通过单通道神经网络提取样本特征,完成单通道神经网络实验。其次,模拟生物视觉系统构建双通道结构的深度神经网络模型,将鱼群行为状态信息分为空间部分和时间部分,分别采用空间网络和时间网络两种通道处理样本的空间信息和时序信息,并对双通道流信息进行融合,通过双通道网络提取样本双通道特征,完成双通道神经网络实验。最后,通过实验比较确定并选用ResNet残差网络分别作为双通道神经网络的两通道基础网络,构造基于深度神经网络的鱼群行为状态分类算法模型。在网络中采用迁移学习、批标准化处理、数据随机丢失等一系列策略解决训练过拟合问题,增强网络的学习和泛化能力,结果验证了本课题采用的双通道神经网络在鱼群行为分类任务上的有效性。