[发明专利]一种改进ResNet网络结构的鱼类图像识别方法

说明书

本发明属于大数据溯源技术领域，具体涉及一种改进ResNet网络结构的鱼类图像识别方法，包括如下步骤：S1、构建鱼类识别数据集，并对数据集进行预处理；S2、对输入图片进行卷积处理，使得卷积计算后的图片大小统一；S4、通过多个Dense Block、多个Transition Layer构建成改进的ResNet网络；S5、将原三维的数据降维，并与全连接层实现关联，准备SoftMax分类；S6、输出识别结果，获得分类概率。本发明通过对ResNet网络结构进行改进并应用于生态渔图像识别，精确度高、抗拟合能力强、计算能力大，有效解决市场化运用推广等实际缺陷问题。

技术领域

本发明属于大数据溯源技术领域，具体涉及一种改进ResNet网络结构的鱼类图像识别方法。

背景技术

随着中国经济的快速发展，人民生活水平的日益提高，广大市民的消费水平和消费能力也逐步得到了提升，已经从温饱型消费逐渐向健康型、安全型、营养型消费发展，即由过去的“数量驱动”，逐渐转化为“价值驱动”，由“吃得多”向“吃得好”转换。在经济水平提高已能满足居民健康消费的前提下，市场对生态鱼的消费需求呈现不断上升的趋势。

近些年来调查发现，水库生长的鱼和池塘养殖的鱼由于生活的环境不同，水体营养物质和饵料也会不同，再加上池塘养殖鱼类普遍会投喂人工配合饲料，因此，水库鱼类与人工养殖鱼类在肥满度、体高等常规形态指标和框架结构会存在明显差异。生态鱼与池塘鱼相比具有更高的营养价值，所以价格会更高。但是由于消费者不熟悉、不了解池塘鱼与生态鱼的区别，故急需一种可区别池塘鱼与水库鱼的方法。

目前，随着人脸识别的成熟发展，研究人员更想把深度学习技术应用在动物个体的识别。随着卷积神经网络，计算机能力及计算机视觉等方向的发展，基于深度学习的图像识别已经在精度和实时性方面，远远赶超传统图像的检测。所以将深度学习可以极好的应用在鱼类的识别问题，以及完成同一种鱼类的识别和溯源。

鱼类识别问题，因为数字图像的失真，噪声，重叠和遮挡等难题。传统的鱼类识别分类首先通过人工设计特征，然后将特征向量输入分类器进行分类。人工特征提取存在着几个不足：(1)特征只适应于特定场景的特定产品，一旦产品变换，算法也需要更换，缺乏通用性；(2)人工特征提取需要专家经验，对算法人员专业性要求较高。

基于DenseNet模块、可以广泛用于图像分类的进化卷积神经网络算法，该算法模型相比于人工构建的深度卷积神经网络，在不影响准确率的情况下，极大的减少了对于计算资源的消耗。模型引入了卷积神经网络中的DenseNet模块和进化算法的思想。

深度卷积神经网络在图像分类任务中具有较好的效果，然而随着网络的加深，反向传播过程中的梯度很容易消失，从而影响网络收敛，此外卷积神经网络深度的加深也会引起网络退化问题。CNN是机器视觉领域中最常用的图像分类方法，其网络的表现力随着深度的增加而增加，但是，随着深度的增加，可能会出现梯度消失并降低分类精度，而DenseNet中的每一层都接收来自所有先前层的输入，并将其输出到块中的所有后续层，这种连接结构优势在于实现特征的重用，减少梯度消失的影响，从而使更深层的网络执行更好的分类。

发明内容

本发明的目的是提供一种改进ResNet网络结构的鱼类图像识别方法，采用改进的ResNet网络结构对生态渔进行识别，相比传统图像识别技术具有更强的精确度与特征计算、拟合能力。

为实现上述技术目的，本发明采用的技术方案如下：

一种改进ResNet网络结构的鱼类图像识别方法，包括如下步骤：

S1、构建鱼类识别数据集，并对数据集进行预处理；

S2、对输入图片进行卷积处理，使得卷积计算后的图片大小为：

其中，n为图片输入大小，f为卷积核大小，h为卷积深度，s为卷积步长；