文献类型： 中文期刊

作者： 刘洋 ¹ ; 张胜茂 ² ; 王书献 ² ; 王斐 ² ; 樊伟 ² ; 邹国华 ³ ; 伯静 ⁴ ;

作者机构： 1.上海海洋大学信息学院

2.中国水产科学研究院东海水产研究所

3.上海峻鼎渔业科技有限公司

4.武汉纺织大学经济学院

关键词： 目标检测;目标识别;深度学习;Yolo网络;数据增强;网络优化

期刊名称： 渔业现代化

ISSN： 1007-9580

年卷期： 2022 年 49 卷 003 期

页码： 89-98

收录情况： 北大核心 ; CSCD

摘要： 基于深度学习的目标检测与识别在渔业养殖的应用中,存在数据集质量低,网络计算复杂度高、推理速度慢等问题,不易满足高实时性应用场景.本研究收集并标注83种水族馆鱼类的10042张图像数据集,在保证目标检测和识别能力、降低网络计算复杂度、提高推理速度的情况下,探究网络的优化方法.利用"深度可分离卷积"重新设计YoloV4网络的主干网络(backbone)对比Mixup、Cutmix、Mosaic等不同数据增强方式及Mish、Swish、ELU等不同激活函数对网络的优化效果.根据对比结果择优选择数据增强方式、激活函数的组合用于优化网络.结果显示:根据该方法优化的网络在测试集上的预测精确率达到94.37%,计算复杂度(BFLOPS)仅为5.47,相较YoloV4降低了93.99%.研究表明,本研究优化网络的方法,能够在保证检测与识别精确率的前提下,大幅降低网络计算复杂度、提高推理速度,为高实时性应用场景的鱼类目标检测与识别提供了参考.