基于深度卷积神经网络的海洋牧场岩礁性生物图像分类

摘要

水下视频可直观记录和反映海洋牧场生物资源的现状和变动,目前亟待开展基于图像的海洋牧场生物识别分类方法研究,以充分发挥图像处理技术在海洋牧场生物群落监测领域的应用潜力.利用采集自我国北方烟威地区包含鱼礁、藻床和泥沙三种图像背景的水下视频,开展了图像增强、图像分类数据集的建立和3种分类模型的应用.对比了基于绿通道的色彩补偿和限制对比度的自适应直方图均衡等方法在海洋牧场水下图像增强上的效果.建立了北方海洋牧场常见岩礁生物图像分类数据集,包括花鲈(Lateolabrax japonicus)、(鮻)(Liza haematocheilus)、许氏平鲉(Sebastes schlegelii)等鱼类11种、棘皮类3种和蟹类1种,共23 211张图像.基于飞桨深度学习框架和PaddleX全流程开发工具,选择AlexNet、MobileNet V3和ResNet50三种图像分类卷积神经网络进行迁移学习,并分别验证了其在含噪音水下图像上的鲁棒性.结果表明,三种模型在测试集的类准确率分别达到96.64％、94.75％和99.23％,其中ResNet50模型在含有高斯噪音的图像集验证具有更好的鲁棒性.综之,基于深度学习的计算机视觉技术在我国海洋牧场生物群落监测中具有较大应用潜力,可为我国海洋牧场监测和管理提供新的思路和方法.