基于深度学习的海底观测视频中鱼类的识别方法

学习的海洋鱼类识别方法。首先，将海底观测视频分解为图片，由于海底观测视频中存在较大比例的空白数据，使用背景差分法过滤不包含鱼类的图片，缩短处理全部数据的时间;然后，考虑到海底拍摄环境亮度低、场景模糊的实际情况，对图片基于暗通道先验算法进行预处理提高品质;最后，以卷积神经网络（CNN）为基础构建深度学习模型，并且提出了权重化特征的卷积过程，提高模型的鲁棒性。实验结果表明：面对较差品质的海底观测视频图片，在深度学习模型结构相同的条件下，与普通卷积神经网络模型相比，使用权重化卷积作为隐层并且加入预处理过程后，对海洋鱼类识别准确率的提升幅度达到23%，有助于实现对海底观测视频图片中海洋鱼类的精准识别。

关键词：海底观测;视频图片;图片品质;深度学习;鱼类识别

中图分类号： TP391.4

文献标志码：A

Abstract： As it is hard to recognize marine fishes occurred in submarine observation videos due to the bad undersea environment and low quality of the video， a recognition method based on deep learning was proposed. Firstly， the video was split into pictures， and as this type of video contains a large proportion of useless data， a background subtraction algorithm was used to filter the pictures without fish to save the time of processing all data. Then， considering the undersea environment is blurring with low bright， based on the dark channel prior algorithm， the pictures were preprocessed to improve their quality before recognition. Finally， a recognition deep learning model based on Convolutional Neural Network （CNN） was coucted with weighted convolution process to improve the robustness of the model. The experimental results show that， facing submarine observation video frames with poor quality， compared with traditional CNN， the method with preprocessing and weighted convolution as hidden layer can increase the recognition accuracy by 23%， contributing to the recognition of marine fishes in submarine observation video.

Key words： submarine observation; video picture; picture quality; deep learning; fish recognition

0 引言

近年来，世界各国对于海洋权益、海洋资源的重视程度与日俱增，海洋资源中重要的一項就是渔业资源，目前我国的渔业资源呈衰退趋势[1]，对代表性海洋鱼类的习性或分布状况的研究对于指导海洋捕捞业可持续发展、保护海洋生态平衡有着重要的意义。

对于海洋鱼类的分布情况，传统的研究方法以出海捕捞为主，使用延绳钓探捕、拖网探捕等常用海洋捕捞技术。随着科技的进步，不仅渔具等硬件设备有了很大的改善[2]，而且伴随着自动化技术的应用，捕捞的效率也有了很大提升。这种传统调研方式固然有效，但是对于相关科研人员来说，调研过程耗时耗力，一旦出海就会对研究进度造成较大影响;并且由于调研过程耗费资源太多，不能频繁实施，研究人员大多数情况下只能在历史调研数据的基础上作研究，这会影响研究成果的质量。针对上述问题，国家于“十二五”期间提出将全面推动国家海底观测平台的建设，其中就包括通过部署水下摄像器材来实时监控关键海洋生物的重要任务，这样就可以通过分析观测视频来代替出海调研，而且保证了获得数据的实时性，能够极大地提高科研人员的研究效率。传统的鱼类识别研究多基于声呐系统，对鱼体回波信号进行处理分析，从声学信号中提取适于分类的特征，如许枫等[3]的工作，但是这类方法已不适用于当前的视频数据。由于利用水下摄像器材观测鱼类（特别是海洋鱼类）的工作是最近几年才开始推进的，因此关于识别视频中鱼类的研究较少，且研究对象多以环境条件好的淡水养殖场景下的淡水鱼为主。张志强等[4]提取鱼类图像中的各个颜色分量及长短轴之比作为分类特征，该方法提取的特征过于一般化，只适用于识别类别单一的淡水鱼。姚润璐等[5]则从图像中分割出鱼背、鱼尾等部位的图像块，以此为基础提取相关性更强的特征;该方法提取的特征与鱼类相关性较强，但是提取过程较为复杂，需要人工制定鱼类各个部位的匹配规则才能分割出对应图像块， 同样不适用于分析海量数据。林明旺[6]利用特征提取能力强大、可以充分利用海量数据的深度学习来识别鱼类图像;但是仅仅构建了一个卷积神经网络（Convolutional Neural Network， CNN）模型，没有结合实际应用环境考虑拍摄环境的特点、数据本身的特点等因素。

推荐访问： 鱼类 观测 海底 深度 识别

---