摘要
我国是水产养殖大国，淡水鱼种类识别是淡水鱼进行加工处理前的重要步骤。然而不同淡水鱼在大小、颜色、形态等方面差异较大，传统鱼类识别方法又存在特征提取复杂的困难，许多企业仍然采用人工对淡水鱼种类进行种类识别的方式，因此研制出智能化淡水鱼种类识别系统对实现淡水鱼加工智能化具有重要意义。 随着深度学习技术发展，其中卷积神经网络在图像种类识别这一领域有突出表现。综合分析国内外鱼类种类识别现状，本文将卷积神经网络应用于淡水鱼种类分类问题上，结合淡水鱼种类识别智能化的应用需要，对ResNet18网络模型进行优化改进，以达到解决淡水鱼图像分类的目的，主要完成以下工作： （1）通过拍摄采集与网络爬取方式，得到鲫鱼、鳙鱼、草鱼、白鲢4种大宗淡水鱼图片样本，并采用数据扩增和图像预处理方法满足样本需求，最终建立符合要求的淡水鱼图片数据集。 （2）本文以卷积神经网络ResNet18为基础模型进行研究改进，来实现鲫鱼、鳙鱼、草鱼、白鲢4种淡水鱼种类的智能化分类。为快速寻找训练模型的最优值范围，以及防止准确率和损失曲线在最优值范围振荡，采用阶段性学习率衰退方法对ResNet18模型进行约束。在此基础上为对模型的曲线梯度进行更好的改进，对比Adam与NAdam两种优化算法，实验表明：使用NAdam优化算法，模型准确率更高。结合本文数据集具有大检测目标的特点，改进该网络模型中平均池化（averagepool）为最大池化（maxpool）操作，模型准确率进一步提升。为防止改进后的模型在训练过程中损失过多数据特征，并提升模型的泛化能力，在残差结构中引入SE（Squeeze-and-Excitation）注意力机制模块，将改进后的ResNet18网络模型与未改进网络模型在淡水鱼图片数据集进行对比。未改进网络模型的淡水鱼识别准确率为96.51%，改进后模型的淡水鱼识别准确率为98.12%，准确率提升1.61%，改进后模型的淡水鱼单张图片识别速度为0.592s。 （3）通过对淡水鱼识别系统进行需求分析，采用Pycharm的PyQT5工具搭建淡水鱼种类识别系统，并在20条淡水鱼的实际测试中，正确识别了4种淡水鱼的种类。
NETL