增强的深度学习模型用于在水下图像中自动识别鱼类物种
Siri D1, Gopikrishna Vellaturi2, Shaik Hussain Shaik Ibrahim3
1Department of CSE, Gokaraju Rangaraju Institute of Engineering and Technology, Hyderabad, India.
Heliyon
|August 22, 2024
概括
本研究介绍了一种两阶段的深度学习方法,用于从水下摄像头图像中自动识别鱼类物种. 该方法实现了高精度,有助于海洋生态数据管理.
科学领域:
- 海洋生态海洋生态学
- 计算机视觉 计算机视觉
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 水下摄像头对于海洋生态研究至关重要.
- 管理大量的水下图像需要自动化物种识别.
- 目前的方法在从复杂的视觉数据中准确识别鱼类时面临挑战.
研究的目的:
- 开发一个高效和准确的深度学习框架,用于自动识别鱼类物种.
- 增强图像预处理和特征提取,以提高检测和分类准确度.
- 使用先进的元启发算法优化模型超参数.
主要方法:
- 一种两阶段的深度学习方法,将图像预处理与先进的卷积神经网络相结合.
- 第1阶段:未精确的面膜过器 (UMF) 预处理,然后是基于区域的增强完全卷积网络 (R-FCN) 精确的兴趣区域 (PS-Pr-RoI) 聚合.
- 第二阶段:将ShuffleNetV2与Squeeze和Excitation (SE) 模块 (改进的ShuffleNetV2) 集成,以进行增强的分类,并通过增强的北方小优化算法 (ENGO) 优化超参数.
主要成果:
- 增强的R-FCN模型在Fish4knowledge数据集上实现了99.94%的准确性,99.58%的精度和回忆,以及99.27%的F测量.
- ENGO优化的ShuffleNetV2模型显示了99.93%的准确性,99.19%的精度,98.29%的回忆率和98.71%的F-measure.
- 这两种模型在鱼类检测和分类方面都表现出卓越的性能.
结论:
- 拟议的两阶段深度学习框架显著提高了鱼类自动识别精度.
- 整合UMF,增强的R-FCN,改进的ShuffleNetV2和ENGO,为海洋图像数据管理提供了一个强大的解决方案.
- 这项技术有可能通过高效和精确的数据分析来推进海洋生态研究.
