基于改进深度学习模型的鱼群密度检测试验研究
2021-04-23王金凤吴耿潜罗东林周子枫
渔业现代化 2021年2期
王金凤,胡 凯,江 帆,吴耿潜,罗东林,周子枫
(华南农业大学数学与信息学院,广州 510642)
水产养殖作为水产品生产及供给的重要产业,目前正面临着一系列的问题[1-2]。一些养殖从业者缺乏养殖经验及养殖知识,难以判断养殖过程中鱼类种群密度是否处于合理范围。通过养殖密度对鱼类生长情况影响的研究[3-5]发现,密度过小会浪费水体生产力和饲料,密度过大会对鱼类生理生长造成影响。养殖密度作为一种环境胁迫因子能引起鱼类的应激反应,改变鱼类内在生理状况,使养殖群体生长率和存活率下降。因此,有效检测鱼群密度是保证养殖鱼类品质的关键。
传统的密度检测方法分为基于检测的方法和基于回归的方法[6-9]。人群密度检测是其中的热点[10-13],卢湖川等[14]基于统计运动区域几何特征实现实时人群计数系统。姬丽娜等[15]解决人群遮挡、光照突变环境下人群计数的问题。近年来,深度学习被引入计算机视觉应用中[16],出现通过深度学习生成密度图的基于密度估计的方法[17-19],有效缓解对拥挤场景判断失准及忽视显著性特征的问题,受到更为广泛的应用。Rodriguez等[20]结合邻域特征平滑技术将密度检测结果转化为密度热力图。Zhang等[21]提出多列卷积神经网络MCNN架构,解决前景分割、密度和分布差异大、不同图像尺度不同等问题。Li等[22]提出拥塞场景识别的网络CSRNet,实现准确的计数估计,生成高质量的密度图,解决训练时间过长以及存在大量无效分支的问题。……
登录APP查看全文
