韩国进口的海的基于深度学习的图像分类.

科学领域:

• 生态生态学 生态生态学
• 计算机科学 计算机科学
• 动物学 动物学

背景情况:

• 海对于生态系统的健康至关重要,但由于全球贸易而面临危.
• 进口的非本地海作为入侵性外来物种存在风险,需要采取控制措施.
• 快速准确的分类系统对于保护海和检测入侵物种至关重要.

研究的目的:

• 开发和评估一个深度学习模型来分类36种进口海物种.
• 确定在韩国快速准确识别海的最有效模型.
• 支持管理海贸易和检测外来入侵物种.

主要方法:

• 采用了八种不同骨干网络的单射式多盒检测器 (SSD) 模型.
• 乌图像来源于谷歌,在形态上进行识别,并分为训练,验证和测试集.
• 使用数据增强来增强模型的稳定性,并防止过拟合.

主要成果:

• Resnet18模型实现了最高的平均平均精度 (mAP) 88.1%.
• 在Resnet18中,最快的推断时间是0.024秒.
• 使用Resnet18的36种乌的平均正确分类率为82.8%.

结论:

• 根据Resnet18模型,进口海的准确和高效分类具有很大的潜力.
• 这项技术可以帮助管理海贸易,并在自然环境中检测外来入侵物种.
• 这项研究为生态保护工作和生物安全提供了有价值的工具.