基于深度学习的水下模糊环境下鱼类识别研究 通信工程专业VIP专享VIP免费

中国大陆的海岸线长达18000多千米，有着丰富的海洋资源。鱼可不只有作为人类的盘中餐这个作用，还是生态链里面的重要平衡者，没有了他们生态都会遭到巨大的破坏，也是地球上重要的海洋生物资源，所以对于水产养殖的现代化管理，渔场环境的实时监测，尤其是水下模糊环境下的鱼类识别对我国开发和利用海洋鱼类等生物资源有着不可或缺的价值。传统的鱼类图像识别往往存在识别速度慢，识别率低，误判率，漏检率高等问题。随着现代信息社会，新科技，新技术，新设施的发展以及深度学习算法框架的完善，许多基于深度学习的水下鱼类图像识别算法被提出，例如：基于Ｒ-CNN深度学习的鱼类目标检测算法、基于水下图像底层特征的鱼类目标检测等算法，但通常都因为水下环境恶劣、可见性差、拍摄图片品质差等因素导致最终识别效果很差。本文将深度学习优秀的学习能力以及可移植性好等优点运用于水下模糊环境的鱼类识别领域，开展了基于深度学习的水下模糊环境下鱼类识别研究。目前YOLv5在目标检测领域从速度和精度综合来看，是明显优于其它先进的目标检测算法如：EfficientDet、SSD、FastＲ-CNN等。所以本文提出一种基于YOLOv5算法的水下模糊环境下鱼类识别模型。本文的主要工作和成果如下：（1）本文拍摄并制作了共计3595张水下模糊环境下的同种鱼类图片数据。为了克服水下模糊环境下拍摄图片整体光照强度低、可视范围小、水下背景模糊、杂质多等问题，首先，在预处理阶段采用暗通道先验算法，以提高图像的清晰度、明度，减少图片品质导致人工数据集标注的误差。（2）针对YOLOv5算法召回率低、mAP（平均准确度）低的问题，研究采用xxxxxx。实验结果验证了本文基于改进YOLOv5算法的水下模糊环境下鱼类识别模型的有效性。关键词：鱼类鉴别；目标检测；YOLO；深度学习11绪论1.1研究背景还要生态系统是迄今为止已有的生态系统中最大的，海洋发展战略的提出，让它的相关所有物种数目都得到了提高。地球上约有200万种不同的海洋生物。海洋里面的鱼类扮演了人们的食物餐品和生态系统重要的调节者的两个角色，两个方面都赋予了无可替代的职能。因而在水产养殖行业的智能化运营、鱼类生活环境的生物检测，特别是如何辨认深水区的鱼类品目这些关键的技术的学习和掌握对我们国家海洋业的各方面发展都气到了很重要的作用。鱼类检测和识别系统可以探索海洋生物的活动规律，运于改进水产养殖捕捞的方式，并在海洋鱼类知识科普宣传、海洋环境管理、稀有生物保护等领域有广泛的用途。其为检测海洋的鱼类品种的重要辅助工具，为今后对未知海域探索的有力保障。鱼类识别问题，由于鱼类的形态各异，大小不一，且水下拍摄图像存在能见度低，环境复杂，噪声大等问题。因而和另外的检测工作来比有了更高的要求。传统实现鱼类识别与分类的算法是基于传统的机器学习。首先由人工根据事物设计特征，然后向分类器中输入特征向量来完成分类任务。然而，人工特征提取往往存在着特征提取困难、缺乏泛化性与通用性、工作量复杂又耗时等不可避免的缺点。近年来，由于人工智能在图像处理、自然语言处理、语言识别等诸多领域的取得了很大的成就，基于深度学习的图像识别技术得到了快速发展，并广泛应用于人脸识别、行为识别、字符识别等领域，具有很高的识别水平和识别精度以及鲁棒性。本文将深度学习优秀的学习能力以及可移植性好等优点运用于水下模糊环境的鱼类识别领域，开展了基于深度学习的水下模糊环境下鱼类识别研究。在解决了以前的方式不容易得到特性的难题的基础上，还有提升图像的精确度和增大可以辩识的位置。在水下模糊环境下，基于深度学习的鱼类识别检测将是一个非常重要的研究课题，它不仅能克服传统方法中的特征提取难的问题，而且可以提高图像识别的准确率，扩大识别范围。同中国进行更多的海洋渔业的使用起到了很大的帮助。21.2国内外研究现状1.2.1深度学习在图像识别领域研究现状对算法设计的全面理解一开始是作用于图像的处理方面。2018年的图灵奖获得者加拿大人杨立昆在1989年与他的合作伙伴就发现了卷积神经网络（CNN），CNN为一类包含了卷积层的全面神经网络模型。理论上来说，独立的卷积神经网络结构可...