论文部分内容阅读
计算机视觉技术在目标检测和识别领域取得了重大成果,在我国海洋水产品领域也扮演了重要的角色。基于此技术研究人员发明了水产品分拣系统等,减少了投入的人力物力。但是在现有的关于水产品研究当中,没有一项能够高效地测量对虾的形态参数(包括体长、头胸甲长、头胸甲宽),相关育种人员只能手工测量,效率低下。研究鱼类识别的团队都是直接采用国外的数据集,不能用于我国海岸线的鱼类调研。对此我们基于计算机视觉技术以对虾和鱼作为研究对象展开了一系列的实验,主要的研究内容将从以下两个方面展开:其一,为了测量对虾的形态参数,首次提出了基于传统的目标检测方法和基于深度学习的目标检测方法。分别采用了基于LBP特征的级联分类器和基于ZF网络的Faster RCNN作为模型识别目标对虾的眼柄基部、头胸甲、尾尖,通过检测标尺和比例计算得到目标的体长、头胸甲长、头胸甲宽。将基于LBP特征的级联分类器测量值与图像PS测量值比较分析得到误差数据。将基于ZF网络的Faster RCNN测量值分别与图像PS测量值、级联分类器测量值、手工测量值比较分析。实验结果表明,基于ZF网络的Faster RCNN的漏检率比基于LBP特征的级联分类器低,实验数据较为准确,并且比人工测量稳定高效,重复性更好。其二,为了满足我国海岸线的鱼类调研的需求,首次采集了东南沿海常见鱼类用以制作调研的数据集,并运用了基于深度学习的方法。针对各种拍摄角度不同形态(鱼鳍展开或者不展开)采集3000张7类9种不同的鱼类样本图片,其中部分测试图片的采集环境为夜间且拍摄背景不与训练图片相同。采用基于VGG网络的Faster RCNN作为模型识别鱼类。实验结果表明,利用VGG加Faster RCNN方法,取得了 96%的类别平均准确率,比传统方法的识别率要高,并且能够高效展开调研工作。以上两个部分的工作都是基于计算机视觉技术展开的智能化识别和测量,充分发挥了该技术在我国海岸线鱼类资源调研的重要作用。运用该技术不仅可以提供高效的对虾育种方案,而且还能够服务我国的海洋战略、展开海洋资源调研。