使用机器学习识别和计数Pirapitinga Piaractus brachypomus 小指鱼
Alene Santos Souza1, Adriano Carvalho Costa1, Heyde Francielle do Carmo França1
1Department of Science Animal, Federal Institute of Education, Science and Technology of Goiás (IF Goiano), Campus Rio Verde, Goiana South Highway, Km 01, Rio Verde 75901-970, GO, Brazil.
Animals : an open access journal from MDPI
|October 26, 2024
概括
这项研究发现,更大的批量大小可以提高机器学习准确度,用于识别和计数pirapitinga. 20个批量大小为鱼类检测和种群管理提供了最好的结果.
科学领域:
- 水产养殖是水产养殖的一种方式.
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 准确的鱼类识别和计数对于有效的水产养殖管理至关重要,包括养殖,采集和销售.
- 卷积神经网络 (CNN) 越来越多地用于鱼类的计数和识别,目前正在研究优化它们的学习能力.
- 批量规范化是提高深度学习模型稳定性和准确性的关键技术.
研究的目的:
- 评估机器学习的有效性,特别是批量规范化的CNN,用于识别和计数pirapitinga (Piaractus brachypomus) .
- 为了确定训练CNN模型的最佳批量大小,以提高检测和计数精度.
主要方法:
- 使用一千个标记的摄影图像的pirapitinga指纹与边界盒训练.
- 开发了一个适应的CNN模型,在每个卷积块内包含批量正常化层.
- 训练了150个时代的模型,测试了5,10和20个批量大小的模型.
- 使用精度,回忆和平均平均精度评估模型性能,在交叉点的平均精度超过0.5的欧盟值 (mAP@0.5).
主要成果:
- 使用较小批量大小 (5和10) 训练的模型表现较低.
- 在20个批量大小中训练的模型取得了卓越的结果,包括96.74%的精度,95.48%的回忆,97.08%的mAP@0.5和98%的准确度.
- 性能指标表明,较大的批量大小与检测和计数pirapitinga的更高准确性之间存在正相关性.
结论:
- 较大的批量大小显著提高了机器学习模型的准确性,用于检测和计数pirapitinga.
- 研究结果表明,优化批量大小对于在水产养殖中开发强大的计算机视觉系统至关重要.
- 这项研究为改善养殖环境中的自动化鱼类监测系统提供了有价值的见解.
