水族馆鱼类目标检测网络优化研究

作     者：刘洋 张胜茂 王书献 王斐 樊伟 邹国华 伯静 LIU Yang;ZHANG Shengmao;WANG Shuxian;WANG Fei;FAN Wei;ZOU Guohua;BO Jing

作者机构：上海海洋大学信息学院上海201306 中国水产科学研究院东海水产研究所农业农村部渔业遥感重点实验室上海200090 上海峻鼎渔业科技有限公司上海200090 武汉纺织大学经济学院湖北武汉430200 

基　　金：国家自然科学基金重点项目(61936014) 中国水产科学研究院基本科研业务费(2020TD82) 农业农村部渔业渔政管理局项目(17200020) 

出 版 物：《渔业现代化》 (Fishery Modernization)

年 卷 期：2022年第49卷第3期

页      码：89-98页

摘      要：基于深度学习的目标检测与识别在渔业养殖的应用中,存在数据集质量低,网络计算复杂度高、推理速度慢等问题,不易满足高实时性应用场景。本研究收集并标注83种水族馆鱼类的10042张图像数据集,在保证目标检测和识别能力、降低网络计算复杂度、提高推理速度的情况下,探究网络的优化方法。利用“深度可分离卷积”重新设计YoloV4网络的主干网络(backbone)对比Mixup、Cutmix、Mosaic等不同数据增强方式及Mish、Swish、ELU等不同激活函数对网络的优化效果。根据对比结果择优选择数据增强方式、激活函数的组合用于优化网络。结果显示:根据该方法优化的网络在测试集上的预测精确率达到94.37%,计算复杂度(BFLOPS)仅为5.47,相较YoloV4降低了93.99%。研究表明,本研究优化网络的方法,能够在保证检测与识别精确率的前提下,大幅降低网络计算复杂度、提高推理速度,为高实时性应用场景的鱼类目标检测与识别提供了参考。

主 题 词：目标检测 目标识别 深度学习 Yolo网络 数据增强 网络优化 

学科分类：081203[081203] 08[工学] 0835[0835] 0812[工学-测绘类] 

D　O　I：10.3969/j.issn.1007-9580.2022.03.011

馆 藏 号：203112868...