共查询到10条相似文献，搜索用时 15 毫秒
1.
为实现藻类的自动计数,以小球藻为对象,提出一种基于荧光效应和调色板均衡化的小球藻自动计数方法。首先对小球藻荧光显微图像进行预处理,将真彩色小球藻荧光图像转换为256色图像,再采用调色板均衡化算法增强小球藻荧光图像对比度,并利用基于调色板的阈值分割算法将目标藻类与背景进行分割,同时进行计数。结果表明,该计数方法能够避免杂质影响,直接对藻类彩色图像进行图像增强和阈值分割,可以增强图像对比度,避免彩色图像灰度化过程中图像信息损失;采用连通区域标记方法结合连通区域的大小识别低重叠度藻类,可降低重叠藻类对计数结果的影响,从而提高小球藻的计算准确度。研究表明,该方法实现了针对藻类彩色图像的自动计数,且对小球藻的计数精度准确率达到95%以上,高于只使用灰度图像计数的方法。 相似文献
2.
针对水下鱼类无法快速准确识别的难点,提出一种具有图像主体自动增强功能的鱼类迁移学习方法。该方法将鱼类RGB图像转换至Lab颜色空间后,利用中央周边算子计算得到整个输入图像的显著性值,进而提供鱼类目标的潜在区域,并结合GrabCut算法获取鱼类分割图像,最终将融合分割图的原始图像送入优化后的残差网络中进行训练。通过对23种鱼类进行识别试验,结果显示,固定ImageNet数据集上ResNet-50预训练模型的conv1层和conv2层参数,微调高层参数的方法能够取得最好的识别效果,且在公开的Fish4Knowledge数据集上,该模型取得了最高的识别准确率,平均识别精度达到99.63%。与其他卷积神经网络方法的对比结果显示,本方法在Fish4Knowledge和Fish30Image数据集上的识别精度和时间性能均具有较大优势,其中识别准确率至少提升4.98%。多个数据集上的试验验证了模型的有效性。 相似文献
3.
为解决渔业养殖及转运自动计数要求，提出一种基于机器视觉的鱼类识别算法设计与程序编制，以证明使用数字图像识别分类技术的尺度不变特征变换SIFT及加速稳健特征SURF算法等可有效地检测与标注鱼类图像特征点。采用快速近邻匹配FLANN匹配算法测试了基于图像特征的鱼类旋转和泛化目标检测，得出SURF特征对个体检测效果好、SIFT特征对泛化目标检测效果优的结果。考察FLANN图像匹配碎片化特性、结合图像信息区域聚集实际、借鉴模板检测方法，设计了图像分割扫描及特征匹配的模板检测算法，并使用最大稳定极值区域MSER方法对识别结果进行冗余排除，达到能正确识别多目标鱼类的算法预设目标。研究发现，该算法及软件能成功识别图片中的多个鱼类目标，测试效果好，有较强的实用意义。 相似文献
4.
基于ResNet50和迁移学习的红鳍东方鲀病鱼检测方法 总被引：1，自引：0，他引：1
《渔业现代化》2021,(4)
针对红鳍东方鲀病鱼样本数量少、检测准确率不高等问题,提出一种基于ResNet50和迁移学习的红鳍东方鲀病鱼检测方法。首先使用ResNet50在ImageNet数据集上进行模型预训练;然后基于预训练结果构建了红鳍东方鲀病鱼检测ResNet50网络,将经过预训练的、包含16个残差块的模型权重迁移到构建的ResNet50网络中进行模型权重初始化以降低训练成本;为进一步提高检测的准确性,在构建的ResNet50网络模型的最后一个卷积层后面加入反卷积层用以学习目标中的细节信息;最后,用红鳍东方鲀健康鱼和病鱼图像构建了数据集,并采用翻转、旋转、随机裁剪、色度变化和添加噪声等方法进行了数据增广,以增加数据样本的多样性,进而提高检测方法的鲁棒性。在所构建的数据集上进行了试验,试验结果表明,基于ResNet50和迁移学习的红鳍东方鲀病鱼检测方法准确率可以达到99%,与ResNet18、ResNet34、ResNet101和ResNet152不同深度的残差网络相比,分别约提升了10.7%、6.6%、6.2%和5.6%,在与不加入反卷积的ResNet50残差网络相比,约提升0.4%的精度。研究表明,采用基于ResNet50和迁移学习的方法,有效地解决了红鳍东方鲀病鱼样本少和准确率不高的问题,为红鳍东方鲀病鱼检测提供了新方法。 相似文献
5.
6.
《渔业现代化》2019,(6)
针对公开大规模水产动物数据集少、人为采集数据工作量大以及传统数据增强方法对数据的特征提升有限的问题,提出一种基于深度卷积生成对抗网络的数据增强方法用于水产动物图像识别。首先,使用深度卷积生成对抗网络(DCGAN)对样本数据进行增强,然后分别使用VGG16、InceptionV3、ResNet50这三个训练模型,以微调的方式,对样本进行训练、识别。结果显示,所提出的方法在水产动物数据集上,与非生成式的数据增强方法相比,在3种模型上分类的准确率可分别提高9.8%、2.7%、1.2%。试验证实,DCGAN可有效增强水产动物图像数据,提高深度神经网络模型对水产动物图像分类的准确率。 相似文献
7.
为促进渔业生产智能化、现代化发展,综述了基于深度学习的鱼类识别相关技术。首先,从数据集构建、数据预处理、神经网络模型设计以及模型训练等4个方面阐述了基于深度学习的鱼类识别工作流程。然后,从图像分类、目标检测、图像分割3个角度总结了近几年鱼类识别相关技术的研究进展及应用成果。其中,图像分类主要用于识别个体鱼的色泽与种类,目标检测侧重于估计鱼群的数量和体型,而图像分割则在推断鱼类的状态和行为方面发挥着重要作用。同时,分析了不同方法所具备的优势,比较了各方法在数据集中的性能指标。最后,对深度学习在鱼类识别领域的下一步发展方向和研究重点进行了展望。综上,深度学习方法效率普遍较高、泛化能力普遍较强,深度学习技术在鱼类识别中的广泛应用能够为渔业科研人员提供有效的技术支撑。 相似文献
8.
为解决目前鳀(Engraulis japonicus)限额捕捞与分类统计不准确的问题，提出一种改进YOLOv5的识别算法。该方法将SENet注意力机制引入到YOLOv5主干网络结构中，通过融合捕捞作业不同时期的目标信息并降低复杂背景的干扰，以提高模型检测精度和实时检测效率。采用实际拍摄的鳀作业视频，将视频转化为图片格式实现前期标注和处理，对获得的5 550幅图像按照8∶1∶1划分训练集、验证集和测试集，设置对照实验，将YOLOv5主干网络替换为MobileNetV2,并引进SENet注意力机制，分别通过4种模型进行对比，结果表明，该识别算法获得平均精度均值(mAP)为99.4%、精度为98.9%、召回率为99.1%,相比原模型分别提高了2.5%、3.7%和2.9%。研究结果可以为鳀围网作业的目标识别提供新的思路，同时也为渔获作业统计提供了一种辅助手段。 相似文献
9.
2018年4—5月在安徽省4个市采集稻田养殖的克氏原螯虾(Procambarus clarkii)样本480份,采集池塘、水库的野生克氏原螯虾样本180份,进行白斑综合征病毒(white spot syndrome virus, WSSV)套式PCR检测,并对稻田的水环境、虾的养殖密度、产量及疾病发生情况进行跟踪调查。结果显示,野生虾、养殖虾的WSSV携带率分别为8.89%、98.13%。虾中WSSV首轮PCR检测阳性率≥50%的稻田有10个,其中5个稻田中高密度养殖虾的病死率达20%及以上,5个稻田中适宜密度养殖虾的病死率为10%及以下。pH值偏高、溶解氧过饱和的5号稻田和溶解氧过饱和的6号稻田中高密度养殖虾的病死率也分别高至50%、60%。 相似文献
10.
随着机器学习、计算机视觉等技术的发展,卷积神经网络(CNN)越来越多地应用于图像识别领域,但现有的鱼类图像公共数据集资源较匮乏,难以满足深度CNN模型优化及性能提升的需要。实验以大黄鱼、鲤、鲢、秋刀鱼和鳙为对象,采用网络爬虫以及实验室人工拍照采集相结合的方式,构建了供鱼种分类的基础图片数据集,针对网络爬虫手段获取到的鱼类图像存在尺度不一、格式不定等问题,采用图像批处理的方式对所有获取到的图像进行了统一的数据预处理,并通过内容变换以及尺度变换对基础数据集做了数据增强处理,完成了7 993个样本的图像采集与归纳;在权值共享和局部连接的基础上,构建了一个用于鱼类识别的CNN模型,采用ReLU函数作为激活函数,通过dropout和正则化等方法避免过度拟合。结果显示,所构建的CNN鱼种识别模型具有良好的识别精度和泛化能力。随着迭代次数的增加,CNN模型的性能也逐步提高,迭代1 000次达到最佳,模型的准确率为96.56%。该模型采用监督学习的机器学习方式,基于CNN模型,实现了5种常见鱼类的鱼种分类,具有较高的识别精度和良好的稳定性,为养殖鱼类的品种识别提供了一种新的理论计算模型。 相似文献