天天快3玩法基于百度EasyDL定制化图像识别平台的海洋鱼类识别方法 | 雷锋网

  • 时间:
  • 浏览:99
  • 来源:彩神app_彩神ios下载

本文作者:范伟亚

【目的】鱼类识别对渔业资源的开发利用有着重要的意义。针对海底环境恶劣、拍摄环境亮度低、场景模糊的实际情况报告由于海底观测视频品质差天天快3玩法,视频中的鱼类识别难的哪些的问题图片以及现有鱼类识别法律依据 发生的鱼类标注数据集过少由于训练的深度模型准确度不高的哪些的问题图片。

【法律依据 】本文提出了两种基于百度EasyDL定制化图像识别平台的海底鱼类识别法律依据 。首先使用伽马校正法和暗通道先验算法对图片数据进行预外理,提高图片亮度和清晰度,接着利用百度EasyDL定制化图像识别平台构建初鱼类识别模型,再使用数据增强等法律依据 对模型进行调优,提高模型识别能力。

【结果】实验结果表明,与否则 识别法律依据 相比,该法律依据 前要有效提高鱼类识别的准确率。

1  引言

鱼类不但有一定的食用价值,否则还有很高的药用价值,太满世界各国对鱼类资源的开发和利用都非常重视,在对鱼类资源开发过程中,前要对鱼类进行识别,了解其分布情况报告,但鱼的种类繁多,型态大小同类 ,识别起来较为困难。否则研究鱼类识别的法律依据 ,对我国渔业资源的开发利用具有重要的学术价值和经济价值,对于鱼类的分布情况报告,传统的研究法律依据 以出海捕捞为主,使用延绳钓探捕、拖网探捕等常用捕捞技术。两种 传统调研法律依据 两种有效,否则对于相关科研人员来说,不可能 调研过程周期长,耗费资源太满,否则结果发生一定的延迟性,大大影响研究人员研究成果的质量。还有基于声呐系统的法律依据 ,对鱼体回波信号进行外理分析,从声学信号中提取适于分类的型态进行识别,否则不可能 声呐系统会对鱼类造成一定的伤害,太满可是我能频繁实施,针对上述哪些的问题图片,国家于“十二五”期间提出将全面推动国家海底观测平台的建设,其中就包括通过部署水下摄像器材来实时监控关键海洋生物的重要务,原先就前要通过分析观测视频来代替出海调研,否则保证了获得数据的实时性,并能极大地提高科研人员的研究效率。

传统的机器学习法律依据 用于鱼类识别的实现过程为:获取鱼图像、提取型态、构建分类器,将型态向量输入分类器以实现种类识别。如:Phenoix等人[1]采用贝叶斯和高斯核混合模型对鱼类型态进行分层分类的法律依据 来实现鱼的分类识别;杜伟东等人[2]提出了两种提取多方位声散射数据的小波包系数奇异值、时域质心及离散余弦变换系数型态,并进行型态融合,最后用支持向量机分类的鱼识别法律依据 ;虽然哪些法律依据 前要实现鱼类识别,否则哪些法律依据 同类 法律依据 已不适用于当前的视频或图片数据,否则法律依据 严重依赖于人工选用型态,而人工选用型态往往越来越选用棘层型态,越来越挖到有鉴别力的型态。

和传统机器学习法律依据 相比,近年来崛起的深度学习法律依据 以数据为驱动,并能从一定量数据中通过卷积等操作自动学习型态表示,很好的外理了人工选用型态的哪些的问题图片。A天天快3玩法bdelouahid等人[3]和顾郑平等人[4]都提出了采用深度网络模型进行鱼类识别的法律依据 ,虽然哪些法律依据 在识别性能上都取得了引人瞩目的效果,否则依然发生以下哪些的问题图片:模型识别性能的提高前要一定量的鱼类标注数据集用于学习训练,而标注数据工作费时且昂贵,故在实际应用中难以满足。

为此,针对以哪些的问题图片,本文提出了两种基于百度EasyDL定制化图像识别平台的海底鱼类识别法律依据 。利用百度EasyDL定制化图像识别平台外理目标数据集训练数据过小和数据分布差异哪些的问题图片,否则通过引入伽马校正法和暗通道先验算法对数据进行预外理,使数据型态具有更好的辨别能力,并肩使用数据增强法律依据 对模型进行调优,使得训练得到的模型的泛化性更强。

2  相关工作

2.1 海洋鱼类识别系统

图 1 海底观测平台

海底观测平台的系统型态如图1所示,发生海面以下的水下接驳器统一接收来自各个传感器的分派数据,包括水下摄像器材分派的视频数据,否则将数据传输至发生陆地上的岸基站。岸基站接收并缓存所有来自海底的数据,按约定的协议和规则转发给大数据中心。大数据中心由多个子系统构成,负责对不同类 型数据的转化、存储、外理、分析,其中包括本文将要研究的海洋鱼类识别系统,负责对海底观测视频的外理分析。本文采用开源计算机视觉工具软件OpenCV来读取视频数据,将视频分解为图片帧,并肩使用背景差分算法过滤无用帧后,针对每一帧进行预外理和识别分析。

2.2  数据预外理

不可能 海底图像对各种噪声和干扰是比较敏感的,在不同光照条件下,悬浮物等都对最终成像和识别有很大的影响。否则从图像的形成过程考虑,图像分派是将原先三维目标映射成为一幅二维图像,不可外理会有信息的丢失,太满本质上图像就具两种模糊性。另一方面不可能 海水的能见度低, 透明度越来越空气的千分之一,使得分派到的图像信噪比较低、纹理模糊。再次不可能 海洋中各种悬浮物的发生, 也会对光波(也可是我电磁波)产生散射和吸收作用 ,由于分派到的海底图像产生严重的灰白效应。再打上去海流的影响以及摄像机镜头的抖动等因素, 造成图像次要失真哪些的问题图片等因素后会影响最终识别的效果。

下面是几幅比较典型的海底鱼类图像,你们都前要就看,分派的图像的对比度都较低,图像较为模糊:

   

图1 海底鱼类图像图

否则,本文先使用提高亮度、提高清晰度对数据进行预外理的法律依据 ,尽不可能 消除亮度低和模糊带来的影响。对于提高亮度的法律依据 ,本文选用伽马校正法[5],使用指数函数调整每个灰度单元,计算公式如下:

                                                                 (1)

亮度的变化由参数γ来控制:当γ<1时,pi,j[k]的值会变小,亮度会提高。反之,则pi,j[k]的值会变大,亮度会降低。

对于提高清晰度的法律依据 ,通过参考基于暗通道先验算法去雾的研究[6]。该研究认为雾天拍摄图片的模糊是由空气中的杂质对光的散射造成的。而海底拍摄图片的模糊也天天快3玩法恰好是由水中的杂质对光的散射造成的,于是前要将其适用于海底拍摄图片,太满在该研究的基础上,针对海底环境的特点作了改进,对每个灰度单元进行优化,计算公式如下:

    (2)

综合上述提高亮度和清晰度的过程,预外理的步骤如下:

图3所示展示预外理法律依据 对图片品质的提升效果:

        a原始图                       b预外理后图片

图2 预外理效果对比图

从图3中前要看出,本文提出的预外理法律依据 前要比较有效地提高图片的亮度以及清晰度。否则面对品质极差的图片,预外理法律依据 也显露出了局限性,无法将其品质提高到鱼类各项关键型态都清晰的程度。

2.3  模型构建及训练

本文以台湾电力公司、台湾海洋研究所和垦丁国家公园在2010年10月1日至2013年9月50日期间,在台湾南湾海峡、兰屿岛和胡比湖的水下观景台分派的鱼类图像数据集合--Fish4Knowledge(F4K)数据集[7]作为实验数据。该数据集包括23类鱼种,共27370张鱼的图像,数据集如图4所示。

图3 Fish4Knowledge(F4K)数据集

将实验数据上传至百度EasyDL数据中心,如图4所示,采用百度EasyDL定制化图像识别平台构建鱼类图像识别模型,不可能 鱼类型态大小同类 ,品种差异小,可辨识性较小,故选用AutoDL Transfer算法进行模型训练,AutoDL Transfer模型是百度研发的AutoDL技术之一,结合模型网络型态搜索、迁移学习技术、并针对用户数据进行自动优化的模型,与通用算法相比,虽然训练时间较长,但更适用于细分类场景。如图5所示。

图4 数据上传

图5 模型构建

2.3  预外理有效性实验

为了证明本文所提预外理法律依据 的有效性,本文在F4K数据集上做了原始的数据和基于预外理的法律依据 的数据模型性能对比实验,实验在参数相同的条件下,使用百度EasyDL定制化图像识别平台对数据进行训练,评估对比结果如表1所示:

表2性能对比

表1的结果显示,在鱼类识别上本文所提的预外理法律依据 比使用原始数据有更好的识别性能,准确率及召回率等各项指标后会远远好于使用原始数据训练的模型。

2.4  模型进一步调优

为了更好的提高模型识别的准确率,本文采用数据增强的法律依据 对数据进行扩充,增加数据的规模,提高模型的泛化性能。过后,若想对训练数据进行数据增强的操作,前要手动调整图片来对模型训练样本进行扩展,同类 旋转、移动、缩放、翻转图片等法律依据 ,过程如图6所示。

图6 数据增强外理

如今,EasyDL的图像分类模型训练中,前要通过平台提供的调参功能来自动执行上述增强操作,优化数据充裕度,开发者再可是我用手工重复外理原始数据啦!

表3 数据增强后数据集大小

表4 数据增强后性能对比

 

2.5  模型对比实验

为了进一步证明本文模型的优势,将本文模型与否则 模型,包括目前流行的深度网络模型VGGnet16、VGGnet19以及文献[3]中的PreCNN-SVM鱼类识别法律依据 和文献[4]中Alex-FT-SVM鱼类识别法律依据 ,在F4K数据集上进行性能评估和比较,实验对比结果如表2所示。

表5不同法律依据 的鱼类识别性能比较

 

表2的各种法律依据 对比结果来看,本文的法律依据 相对于否则 法律依据 识别准确率有较大提升,获得了99.6%的鱼类识别精度。本法律依据 充分利用百度EasyDL定制化图像识别平台优势,前要很好地外理鱼类识别任务训练数据过高 的哪些的问题图片,并肩通过引入伽马校正法和暗通道先验算法对数据进行预外理,使数据型态具有更好的辨别能力,使用数据增强法律依据 对模型进行调优,进一步提高了模型识别的准确率。

3 开始英文英文语

海底观测环境亮度低、场景模糊,由于分派的视频品质差,直接识别视频中的海洋鱼类效果不好。本文提出了预外理法律依据 提高图片品质、百度EasyDL定制化图像识别等法律依据 ,实现对较差品质图片的准确识别。针对亮度低和场景模糊的哪些的问题图片,在预外理时首先使用伽马校正法提高了图片的亮度,否则参考基于暗通道先验算法的去雾研究针对海底环境的特点作了改进,提高了图片的清晰度。不可能 目前还越来越 一定量标记数据,本文使用百度EasyDL定制化图像识别及AutoDL Transfer算法,外理了训练数据少由于模型效果差的哪些的问题图片。从实验结果前要看出,本文所提法律依据 前要以高达99.6%的准确率识别海底鱼类的图片,验证了法律依据 的有效性。然而,本文的法律依据 还发生过高 ,其中的关键在于海底环境的特殊性,提高图片品质的预外理法律依据 还越来越 完整版结合海底环境的特点,提高图片品质的能力有限。下一步的研究工作将是深入分析、挖掘海底环境的特点,提出针对性更强的、更有效的预外理法律依据 。

参考文献:

[1]Huang, Phoenix X., Bastiaan J. Boom, and Robert B. Fisher. "Hierarchical classification with reject option for live fish recognition." Machine Vision and Applications 2015,26(1): 89-102.

[2]杜伟东, 李海森, 魏玉阔, 等. 基于 SVM 的多方位声散射数据合作者者融合鱼分类与识别[J]. 农业机械学报, 2015,61(3):39-43.

[3]Tamou A B, Benzinou A, Nasreddine K, et al. Underwater Live Fish Recognition by Deep Learning[C]//International Conference on Image and Signal Processing. Springer, Cham, 2018,171(6): 275-283.

[4]顾郑平,朱敏.基于深度学习的鱼类分类算法研究[J].计算机应用与软件,2018,35(1):50-205.

[5]蒋明敏.基于FPGA的LCD伽马校正研究[D].南京,南京林业大学,2016:25-27.(JIANG M M.Research on LCD Gamma Correction Based on FPGA[D].Nanjing,NanjingForestryUniversity,2016:25-28.)

[6]HE K, SUN J, TANG X. Single image haze removal using dark channel prior[J]. IEEE transactions on pattern analysis and machine intelligence, 2011, 33(12): 2341-2353.

[7]B J, Huang P X, He J, etal. Supporting ground-truth annotation of image datasets using clustering[C]//ICPR. 2012,21(1): 1542-1545.

雷锋网版权文章,未经授权禁止转载。详情见转载须知。