农业机械学报

作者：陈英义,龚川洋,刘烨琦,方晓敏

单位：中国农业大学;农业农村部信息获取技术重点实验室,中国农业大学;北京农业物联网工程技术研究中心,中国农业大学;北京农业物联网工程技术研究中心,中国农业大学;北京农业物联网工程技术研究中心,

关键词：鱼类识别; 卷积神经网络; 迁移学习; 模式识别

基金：国家重点研发计划项目（2017YFE0122100）和北京市科技计划项目（Z171100001517016）

针对大多数应用场景中，大多数鱼类呈不规则条状，鱼类目标小，受他物遮挡和光线干扰，且一些基于颜色、形状、纹理特征的传统鱼类识别方法在提取图像特征方面存在计算复杂、特征提取具有盲目和不确定性，最终导致识别准确率低、分类效果差等问题，本文在分析已有的VGG16卷积神经网络良好的图像特征提取器的基础上，使用ImageNet大规模数据集上预训练的VGG16权重作为新模型的初始化权重，通过增加批规范层(Batch normalization, BN)、池化层、Dropout层、全连接层（Fully connected,FC）、softmax层，采用带有约束的正则权重项作为模型的损失函数，并使用Adam优化算法对模型的参数进行更新，汲取深度学习中迁移学习理论，构建了FTVGG16卷积神经网络(Fine?tuning VGG16 convolutional neural network,FTVGG16)。测试结果表明：FTVGG16模型在很大程度上能够克服训练的过拟合，收敛速度明显加快，训练时间明显减少，针对鱼类目标很小、背景干扰很强的图像，FTVGG16模型平均准确率为97.66%，对部分鱼的平均识别准确率达到了99.43%。

来源：2019年第5期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2019年第5期