据中国渔业统计年鉴统计表明,近年来全社会渔业经济总产值稳步提升。渔业规模快速增长的同时,我国渔业逐步往渔业自动化、智能渔业方向发展,鱼类分类作为渔业自动化领域的重要分支,传统计算机视觉深度依赖人工设置特征,成本较高且准确率普遍不够理想。在渔业自动化的大背景下,本文结合深度学习,通过迁移学习将卷积神经网络应用到鱼类图像分类识别中,最终提出了一种基于残差网络的鱼类图像识别模型,同时为获得质量更高的水下鱼类数据集和验证鱼类识别模型,本实验设计水下机器人完成从水下图像采集到上位机图像识别的过程。本文主要工作和成果如下:(1)基于鱼类识别模型的搭建,为更好获得识别模型数据集,本文设计了水下拍摄机器人,通过设计水下机器人的控制系统,调整机器人在水下的角度、位置拍摄更为清晰的水下鱼类照片,同时为后续完成水下图像拍摄、上传至上位机、图像识别的模型验证提供支持。在水下控制系统的设计中,设计了单片机、电机驱动芯片的选型,选取合适的摄像头模块和数据传输方式,实现上位机对水下机器人的控制与水下图像的传输。通过机器人水下实验,完成水下图像的拍摄和传输,将水下图像传输至上位机,选取合适的图像制作数据集。模型训练完成后,对水下机器人拍摄图像进行识别,完成水下鱼类图像采集到分类模型分类的完整过程。(2)本文通过水下机器人拍摄鱼类照片和Python爬虫技术爬取目标鱼类图片两种方法制作数据集,并通过人工筛查剔除不符合标准的图片,制作了三种鱼类数据集,共计1080张图片。为提升训练效果,防止因数据集原因出现过拟合的情况,通过几何变换、添加噪声等数据增强的方法增加训练数据多样性,优化训练效果。(3)基于卷积神经网络设计并对比不同鱼类分类模型。本文首先介绍了选取VGG16网络为基础网络的模型,通过迁移学习搭建网络,通过调整不同网络参数和训练技巧最终得到最高识别精度为94.25%的识别模型。然后选取残差网络Res Net50作为预训练网络,通过迁移学习搭建残差网络模型,调参训练后得到适用于本数据集的分类模型,并取得了96.82%的识别准确率。为了获取更高的识别准确率,提出了引入注意力机制的方法,通过将注意力机制中的非局部算子以模块的形式插入残差网络中,通过实验,引入注意力机制的残差网络模型识别性能最好,识别精度达到98.16%。