海洋捕捞鱼类BigH神经网络分类模型设计与实现

摘要

设计速度快、精度高的轻量化神经网络模型,实现海洋捕捞鱼类的自动分类,是深度学习技术在渔业领域的应用研究方向之一.通过对比研究迁移学习和人工神经网络,在海鲜市场拍摄的1284张包含13个种类的鱼类图像上,使用枚举法的思想设计自动训练算法,来训练迁移学习和人工设计的卷积神经网络.结果显示在VGG16、ResNet、InceptionV3网络上迁移学习,实现鱼类分类精度分别为88.6％、96.3％、94.5％,其权重分别为11000M、192M、206M;在基于人工设计的模型上分类精度为92.29％,权重仅为5.21M.可证明人工设计的网络在保留精度的同时,也做到了模型更小,更加适用于小数据的场景,同时也证明迁移学习在小数据集上,存在参数臃肿的问题.另外对卷积可视化和搭建神经网络Web程序的方法也进行了阐述.