一种基于深度学习的空间光谱分类方法,用于控制智利海底鱼的着陆量

科学领域:

• 海洋生物学和生态学
• 人工智能和机器学习
• 渔业科学与管理 渔业科学与管理

背景情况:

• 过度开发鱼类资源威胁到海洋生态系统和渔业.
• 准确监测鱼类的着陆对于可持续的资源管理和配额执行至关重要.
• 目前用于鱼类物种识别的方法可能是劳动密集型的,容易出错.

研究的目的:

• 开发和评估基于深度学习的空间光谱方法,用于分类五种重要的海底鱼类物种.
• 评估这种方法在智利渔业中对鱼类着陆量进行自动监测的潜力.
• 提高鱼类物种识别用于渔业管理的准确性和效率.

主要方法:

• 采用了具有两个处理通道的卷积神经网络 (CNN) 架构.
• 美国有线电视新闻网处理了鱼样的红绿蓝 (RGB) 图像和可见和近红外 (VIS-NIR) 反射频谱.
• 五种海上鱼类物种被分类,包括Engraulis ringens,Merluccius gayi,Strangomera bentincki,Normanichthtys crockeri和Stromateus stellatus.

主要成果:

• 拟议的深度学习模型在所有性能指标上实现了超过94%的分类准确性.
• 与现有的最先进的技术相比,空间光谱方法显示出更高的性能.
• 该方法成功地区分了目标和非目标鱼类.

结论:

• 开发的深度学习方法显示了自动化,准确的鱼类物种分类的巨大潜力.
• 这项技术可以帮助有效监测鱼类的着陆量,并确保遵守捕捞配额.
• 实施这种方法可以促进海洋资源的可持续管理.