典型文献
水下鱼类品种识别模型与实时识别系统
文献摘要：
快速准确的鱼类识别系统需要良好的识别模型和部署系统作为支撑.近年来,卷积神经网络在图像识别领域取得了巨大成功,不同的卷积网络模型都有不同的优点和缺点,面对众多可供选择的模型结构,如何选择和评价卷积神经网络模型成为了必须考虑的问题.此外,在模型应用方面,移动终端直接部署深度学习模型需要对模型进行裁剪、压缩处理,影响精度的同时还会导致安装包体积增大,不利于模型升级维护.针对上述问题,本研究根据水下鱼类实时识别任务特点,选取了AlexNet、GoogLeNet、ResNet和DenseNet预训练模型进行对比试验研究,通过在Ground-Truth鱼类公开数据集基础上对图像进行随机翻转、旋转、颜色抖动来增强数据,使用Label smoothing作为损失函数缓解模型过拟合问题,通过研究Ranger优化器和Cosine学习率衰减策略进一步提高模型训练效果.统计各个识别模型在训练集和验证集上的精确度和召回率,最后综合精确度和召回率量化模型识别效果.试验结果表明,基于DenseNet训练的鱼类识别模型综合评分最高,在验证集的精确度和召回率分别达到了99.21％和96.77％,整体F1值达到了0.9742,模型理论识别精度达到预期.基于Python开发并部署了一套远程水下鱼类实时识别系统,将模型部署到远程服务器,移动终端通过网络请求进行鱼类识别模型调用,验证集图像实际测试表明,在网络良好条件下,移动终端可以在1s内准确识别并显示鱼类信息.
文献关键词：
鱼类识别模型;卷积神经网络;模型评价;安卓;Ground-Truth;实时识别系统
中图分类号：
作者姓名：
李少波;杨玲;于辉辉;陈英义
作者机构：
中国农业大学信息与电气工程学院,北京100083;中国农业大学国家数字渔业创新中心,北京100083;北京市农业物联网工程技术研究中心,北京100083;北京林业大学信息学院,北京100083
文献出处：
引用格式：
[1]李少波;杨玲;于辉辉;陈英义-.水下鱼类品种识别模型与实时识别系统)[J].智慧农业（中英文）,2022(01):130-139
A类：
鱼类识别模型,鱼类信息
B类：
品种识别,实时识别系统,快速准确,图像识别,巨大成功,卷积网络,供选择,模型结构,选择和评价,卷积神经网络模型,模型应用,移动终端,端直,深度学习模型,裁剪,安装包,包体,究根,AlexNet,GoogLeNet,ResNet,DenseNet,预训练模型,Ground,Truth,公开数据集,抖动,Label,smoothing,损失函数,解模,过拟合,Ranger,优化器,Cosine,学习率衰减,模型训练,训练效果,训练集,验证集,召回率,量化模型,模型识别,型综合,综合评分,识别精度,Python,模型部署,远程服务器,请求,调用,实际测试,测试表明,良好条件,1s,准确识别,模型评价,安卓
AB值：
0.386515
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
