基于深度学习的鱼类智能识别系统的设计与实现

吕俊霖，麦嘉铭 ，熊 浩，蔡海真

(1 中国水产科学研究院南海水产研究所，广州 510300；2 华南农业大学，广州，510642)

随着机器学习尤其是深度学习技术的迅速发展，图像识别技术已在植物识别[1-2]、人脸识别[3-4]、交通标志识别[5]和医学图像等方面展开了广泛的研究应用。图像识别技术在鱼类智能识别领域起步较晚，这是因为鱼的身体是柔性的，不容易取得固定的特征，再加上水体和光照的因素，要识别并鉴定水中的鱼类就显得较为困难[6]。

在对鱼类进行图像识别研究的过程中，王文成等[7-8]应用ResNet50网络模型，对巴鲣鱼、大菱鲆、鲻鱼等10 种鱼类的分类和识别进行探索研究；陈文辉等[9]提出一种基于DCNN和迁移学习的方法，针对新图像数据集，通过选择训练参数，对预训练模型进行再训练，实现4种鱼类的分类识别，徐嘉熠[10]基于ResNet101网络的Faster RCNN算法和基于VGG16网络的SSD算法对有标记的鱼类图片进行目标识别；贾玉霞[11]使用自制的数据集Fish30Image，利用ResNet模型结合迁移学习方法，对30种鱼类的识别，得到了99%的准确率。

识别系统的设计和实现需要考虑样本来源和技术框架的问题。其中，样本来源即训练集的图像，这决定了最终所得的权重文件的拟合程度，训练集的覆盖场景越多，标注越准确，拟合程度就越好，识别就越准确，反之则相反。技术框架是指识别的前后端应采用什么样的技术进行组合。根据识别技术的使用场景，前端技术应当是便携的，易用的，与后端无缝集成的。根据前端的应用要求，后端为其提供功能接口，比如文件读取、数据存取等等。……