基于卷积神经网络的鱼类图像识别与分类

龙源期刊网 https://www.wendangku.net/doc/fc16190119.html,

基于卷积神经网络的鱼类图像识别与分类

作者：林明旺

来源：《电子技术与软件工程》2017年第06期

当前非法、无序的渔业捕捞严重威胁海洋生态环境和全球的海产品的可持续供应。有关部门和组织已经开始探索利用摄像头大规模监控渔船的捕捞活动。为了准确高效的对采集的图像数据进行鱼类的识别与分类，利用计算机视觉技术，设计了一种基于卷积神经网络的鱼类图

像识别与分类系统。针对复杂神经网络过拟合严重的问题，运用了一系列有效降低过拟合的方法来优化神经网络模型，其中包括了数据集扩增方法，dropout方法， batch normalization方法。利用该模型对8种鱼类进行了识别分类，结果显示准确率达到了96.24%，从而可以准确快速的进行鱼类的分类。

【关键词】卷积神经网络反向传播算法仿射变换 dropout batch normalization

1 引言

当前非法，无管理的渔业捕捞严重威胁海洋生态环境和全球的海产品的可持续供应，有关部门和组织已经开始探索利用摄像头大规模监控渔船的捕捞活动。但是目前需要人工对采集的视频图像数据进行鱼类的的识别与分类，采集的数据体量庞大，人工处理耗时，昂贵。所以急需利用计算机自动的对图像数据进行分类。

目前机器学习的一些方法在鱼类图像分类上取得了比较突出的效果。吴一全等[1]采用了

手动选择特征的方法，基于支持向量机对5 种鱼进行识别，各类鱼的识别精度均为83.33%。Hu 等[2]在HSV颜色空间利用小波滤波器提取鱼的纹理特征，并进行了SVM分类识别。万鹏等[3]计算鱼的长轴方向各段的平均宽度与长度的比值并将其作为特征参数，利用3层BP （back propagation）神经网络对鲫鱼和鲤鱼进行识别，识别精度为92.50%。但是这些方法首

先都是在严格拍摄控制下产生的图片上衍生的方法，鱼类图片几乎没背景干扰，方法的鲁棒

性较差。其次，这些方法都是基于手动选择特征的机器学习方法，手动选择特征的方法不仅效率低下，还会导致遗漏重要的特征，导致分类准确率低。目前随着计算机性能的大幅提升，

深度学习在图像分类领域展现出了出众的性能。其中代表性的就有卷积神经网络（CNN）。卷积神经网络重要的特征就是能在训练过程中自动学到“好”特征，避免了手动选择特征的一些问题，而且CNN每一层神经元共用一组连接权重，从而大大降低了参数训练的开销。

基于上述分析，本文从神经网络模型出发，构造了泛化能力强的卷积神经网络模型，然后针对卷积神经网络容易过拟合的问题，运用了一系列降低过拟合的方法来优化CNN模型。实验结果显示此模型具有很高的识别精度和鲁棒性，能在背景干扰很强的图片数据集上准确的完成鱼类的识别和分类。

2 卷积神经网络（CNN）