基于改进VGG16的射流式鱼泵内鱼类损伤的图像识别与分类OA北大核心CSTPCD

鱼类损伤分类研究对捕捞作业过程中的鱼类健康状况监测具有重要意义。针对现有鱼类损伤研究中存在的未准确分类损伤类型的问题,在射流式鱼泵捕捞作业时鱼逐条通过泵喉管的特殊场景下,本文使用高速摄像机拍摄鱼通过泵的过程,建立了鱼类损伤数据集,提出了一种基于VGG16改进的S-VGG卷积神经网络分类模型。损伤分类实验表明,S-VGG模型的损伤分类准确率为96.52%,比ResNet16和GoogLeNet分别提高了0.96%和8.2%。与VGG16模型相比,本文所提出的S-VGG模型仅有9层,整体参数减少了93.75%,有效地降低了模型训练所需的计算成本。本研究采用迁移学习方法进一步优化了S-VGG模型初始权重。结果表明,经过迁移学习的S-VGG*模型准确率达到了99.70%,比未进行迁移学习的S-VGG模型提高了3.18%。本研究建立的S-VGG*模型取得了良好的鱼类损伤分类效果。