典型文献
基于深度学习的循环水养殖鳗鲡(Anguilla)计数研究
文献摘要：
鳗鲡(Anguilla)作为我国优质水产养殖种类,精准掌握其数量对高效养殖有重要意义.为实现对循环水养殖鳗鲡的准确计数,提出了一种基于深度学习的改进Faster RCNN模型.针对检测目标即鳗鲡头部尺寸小的问题,选择在特征提取网络ResNet50中加入FPN结构来作为模型的骨干网络,以提取并融合多尺度的特征;针对原模型锚框都是基于人工经验设置的,并不适用于鳗鲡数据集的问题,使用k-means聚类算法对训练集中标注的鳗鲡头部检测框进行聚类分析,获得了适合鳗鲡数据集的15种不同尺度的锚框;针对图像中存在鳗鲡头部重叠的问题,选择使用Soft-NMS算法替代原NMS算法对RPN部分生成的候选框进行筛选,以减少模型对鳗鲡重叠部分的漏检情况.试验结果表明:改进后的Faster RCNN模型对鳗鲡头部的检测精度(mAP0.5)高达96.5％,较原Faster RCNN模型(Backbone为ResNet50)显著提升了 14％,与SSD300和YOLOV3模型相比分别显著提升了24.9％和15％;在鳗鲡计数上,利用改进后的Faster RCNN模型检测结果进行计数,计数准确率达到90％以上,提升了模型对鳗鲡的检测识别能力.
文献关键词：
鳗鲡计数;深度学习;Faster RCNN模型;FPN结构;k-means聚类算法;Soft-NMS算法
中图分类号：
作者姓名：
李凯;江兴龙;陈尔康;陈彭;许志扬;林茜
作者机构：
集美大学水产学院 福建厦门 361021;鳗鲡现代产业技术教育部工程研究中心 福建厦门 361021;集美大学海洋与信息工程学院 福建厦门 361021
文献出处：
引用格式：
[1]李凯;江兴龙;陈尔康;陈彭;许志扬;林茜-.基于深度学习的循环水养殖鳗鲡(Anguilla)计数研究)[J].海洋与湖沼,2022(03):664-674
A类：
鳗鲡计数
B类：
循环水养殖,Anguilla,水产养殖,高效养殖,Faster,RCNN,特征提取网络,ResNet50,FPN,来作,骨干网络,锚框,means,聚类算法,训练集,中标,不同尺度,Soft,NMS,RPN,分生,候选框,漏检,检测精度,mAP0,Backbone,SSD300,YOLOV3,模型检测,检测识别,识别能力
AB值：
0.316573
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。
