随着计算机科学的进步,计算机视觉在目标检测以及目标识别领域的地位越来越举足轻重,各个领域的应用也层出不穷,所以在海洋资源检测领域中,也可以扮演相当重要的角色。然而,目前我国现有的鱼类相关的产品研究中,没有可用的数据集提供使用,国外的数据集适用于该国海岸线周边的鱼类类型识别,并不能用于我国的海洋鱼类的鱼类检测。而且市面上并不存在用于识别鱼类的工具,针对鱼类的分类还是要通过人工操作,效率低下,过程复杂。对此我们结合计算机视觉技术针对鱼类作为研究对象展开一系列的实验进行研究及应用,主要研究内容将从三个方面来讨论:第一,首先是构建我国沿海地区常见鱼类数据集,目的是提供足量的数据供深度神经网络进行训练。我们一共收集了 6万张136类不同的照片。然而各种鱼类图片数量分布非常不均匀,倘若直接放在网络里训练,效果是非常差的。所以本文会针对这些数据进行数据均衡、色彩饱和度调整、随机裁剪等数据增强操作,用以达到增加样本多样性和平衡数据量的目的。第二,利用神经网络对鱼类数据进行训练,分别采用基于ResNet101网络的Faster RCNN算法和基于VGG16网络的SSD算法对有标记的鱼类图片进行目标识别。将两者得到的识别数据进行对比分析。然后选取鱼类识别领域的其他方法与本文方法进行对比分析,最终得到结果,Faster RCNN的效果最为突出。第三,为了满足海洋鱼类识别的任务,需要面向科研团队提供数据识别的操作,所以需要搭建服务器以及Web端的服务来提供识别的任务。对此需求,我们要对算法进行针对性的优化,本文采用了基于Django技术框架来搭建后台,与算法模型无缝对接,提高了识别服务的效率。以上三个部分的工作都是围绕计算机视觉展开的工作,由此可见,计算机视觉技术在海洋调研领域发挥着重要的作用。运用好人工智能的相关技术,不仅能提高产业效率,还能贴合我国建设海洋强国的宗旨。