摘要：
快速准确的鱼类识别系统需要良好的识别模型和部署系统作为支撑。近年来,卷积神经网络在图像识别领域取得了巨大成功,不同的卷积网络模型都有不同的优点和缺点,面对众多可供选择的模型结构,如何选择和评价卷积神经网络模型成为了必须考虑的问题。此外,在模型应用方面,移动终端直接部署深度学习模型需要对模型进行裁剪、压缩处理,影响精度的同时还会导致安装包体积增大,不利于模型升级维护。针对上述问题,本研究根据水下鱼类实时识别任务特点,选取了AlexNet、GoogLeNet、ResNet和DenseNet预训练模型进行对比试验研究,通过在Ground-Truth鱼类公开数据集基础上对图像进行随机翻转、旋转、颜色抖动来增强数据,使用Label smoothing作为损失函数缓解模型过拟合问题,通过研究Ranger优化器和Cosine学习率衰减策略进一步提高模型训练效果。统计各个识别模型在训练集和验证集上的精确度和召回率,最后综合精确度和召回率量化模型识别效果。试验结果表明,基于DenseNet训练的鱼类识别模型综合评分最高,在验证集的精确度和召回率分别达到了99.21%和96.77%,整体F1值达到了0.9742,模型理论识别精度达到预期。基于Python开发并部署了一套远程水下鱼类实时识别系统,将模型部署到远程服务器,移动终端通过网络请求进行鱼类识别模型调用,验证集图像实际测试表明,在网络良好条件下,移动终端可以在1 s内准确识别并显示鱼类信息。
