基于FTVGG16卷积神经网络的鱼类识别方法

摘要：

针对大多数应用场景中,大多数鱼类呈不规则条状,鱼类目标小,受他物遮挡和光线干扰,且一些基于颜色、形状、纹理特征的传统鱼类识别方法在提取图像特征方面存在计算复杂、特征提取具有盲目和不确定性,最终导致识别准确率低、分类效果差等问题,本文在分析已有的VGG16卷积神经网络良好的图像特征提取器的基础上,使用ImageNet大规模数据集上预训练的VGG16权重作为新模型的初始化权重,通过增加批规范层(Batchnormalization,BN)、池化层、Dropout层、全连接层(Fully connected,FC)、softmax层,采用带有约束的正则权重项作为模型的损失函数,并使用Adam优化算法对模型的参数进行更新,汲取深度学习中迁移学习理论,构建了FTVGG16卷积神经网络(Fine-tuning VGG16 convolutional neural network,FTVGG16).测试结果表明:FTVGG16模型在很大程度上能够克服训练的过拟合,收敛速度明显加快,训练时间明显减少,针对鱼类目标很小、背景干扰很强的图像,FTVGG16模型平均准确率为97.66％,对部分鱼的平均识别准确率达到了99.43％.

关键词：鱼类识别、卷积神经网络、迁移学习、模式识别

所属期刊栏目：50

分类号：TP391(计算技术、计算机技术)

资助基金：国家重点研发计划项目2017YFE0122100;北京市科技计划项目Z171100001517016

在线出版日期：2019-06-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：223-231