基于百度EasyDL定制化图像识别平台的海洋鱼类识别方法|亚博APP手机版

亚博APP手机版

向量机分类的鱼识别方法这些方法都可以构建鱼类识别,但这些方法呼吸困难被用作现在的视频或图像数据,方法很大程度上取决于人工自由选择特征。 人工自由选择特征不能自由选择表层特征,很难挖掘出有辨识力的特征。

与以往的机器学习方法相比,近年兴起的深度自学方法需要驱动数据,从大量数据中卷积等操作者自动自学响应特征,很好地解决了人工自由选择特征的问题。 Abdelouahid等[3]和顾郑公平人[4]都明确提出了使用深网络模型展开鱼类识别的方法,这些方法受到了识别性能的关注,但在模型识别性能的提高上,将很多鱼类显示数据集用于自学训练为此,针对问题,明确提出了基于百度EasyDL定制图像识别平台的海底鱼类识别方法。 利用百度EasyDL定制图像识别平台解决问题目标数据集训练数据太小、数据分布不同的问题,引入伽玛校正法和明地下通道先验算法的对数数据展开预处理,使数据特征更好同时用数据强化方法展开模型,训练得到的模型2.1海洋鱼类识别系统图1海底观测平台海底观测平台的系统构成图1右图,位于海面下的水下切换器统一继承来自各传感器的收集数据,水下卡卡岸基站将从海底接收所有数据,进行内存,根据誓约协议和规则转发给大规模数据中心。

大数据中心包括在多个子系统中,负责不同类型的数据的转换、存储、处置和分析。 其中包括管理海底观测录像处置分析的海洋鱼类识别系统。

本文使用开源计算机视觉工具软件OpenCV加载视频数据,将视频分解为图像帧,同时用于背景差分算法滤波器的多余帧后,对每帧进行预处理和鉴定分析2.2数据预处理另外,从图像的构成过程来看,图像收集是将一个三维对象同质化为一个二维图像,信息的丢失是不可避免的,因此本质上图像具有模糊性。 另一方面,由于海水的可视性低,透明度只有空气的千分之一,收集到的图像的信噪比低,纹理模糊。 由于海洋中不存在各种浮游物,因此也无助于光波(即电磁波)的衍射和吸收,在收集到的海底图像中产生相当大的灰色效果。

再加上海流的影响和相机镜头的摇晃等,图像部分的噪音现象等会影响最终识别的效果。 以下是一些典型的海底鱼类图像,我们可以看到收集到的图像对比度低,图像更模糊:因为图1的海底鱼类图像图,本文为了提高亮度,提高分辨率进行了数据展开预处理的方法,亮度关于提高亮度的方法,自由选择以指数函数调整灰度单位的伽马校正法[5],(1)用参数控制亮度的变化:1的情况下,pi,j[k]的值不会变大,亮度不会上升。

相反,pi,j[k]的值变小,亮度不减少。 关于提高清晰度的方法,参照基于明地下通道先验算法的去雾研究[6]。 指出雾天拍摄的图像模糊是由空气中杂质引起的光衍射引起的。

亚博APP下载

海底摄影图像的模糊也正好是水中杂质引起的光衍射,可以限于海底摄影图像,因此不基于该研究,以灰度为单位展开优化,计算式如下: (2)提高上述亮度和清晰度, 图3右图中由前处理方法带来的画质提高效果:a完全图b前处理后的图2前处理效果比较图从图3中出现,本文明确提出的前处理方法能够更有效地提高图像的亮度和清晰度。 但是,面对质量极差的图像,预处理方法也出现了局限性,无法将其质量提高到鱼类各重要特征清晰的程度。

2.3模型构建和训练本文是台湾电力公司、台湾海洋研究所和垦丁国家公园于2010年10月1日至2013年9月30日期间在台湾南湾海峡、兰屿岛和胡比湖水下展望台收集的鱼类图像数据的子集–fish4knowledge。 该数据集还包括23种鱼种,共计27370张鱼的图像,数据集如图4右图所示。 图3 Fish4Knowledge(F4K )数据集将实验数据上传到百度EasyDL数据中心,如图4右图所示,使用百度EasyDL定制图像识别平台构建鱼类图像识别模型,鱼类形状尺寸相近, AutoDL Transfer模型是百度开发的AutoDL技术之一,融合了模型网络结构的探索、向自控技术的转移、对用户数据的自动优化的模型展开,与标准化算法相比训练时间长,但仅限于精细的分类场景如图5的右图所示。

图4数据上传图5模型构建2.3预处理有效性实验为了证明本文委托的预处理方法的有效性,本文在F4K数据集上进行了完整的数据和基于预处理的方法的数据模型性能比较实验,实验在参数完全相同的条件下, 百度EasyDL定制图像识别平台的对数数据展开训练评价比较结果如表1右:表2性能比较表1的结果显示,在鱼类识别中,本论文提出的预处理方法比原始数据中使用的识别性能、准确率及解聘亲率等各指标都是原始数据2.4模型为了进一步提高模型识别的精度,本文采用数据强化的方法扩展数据,减少数据规模,提高模型的一般化性能。 以往,想要强化训练数据展开数据的操作者必须如图6右图所示,手动调整图像展开模型训练样本,例如旋转、移动、图形、旋转等方式。 图6数据强化处理现在,在EasyDL的图像分类模型训练中,通过平台取得的推荐功能,可以自动地继续执行上述强化操作者,优化数据非常丰富,开发者需要长时间手工重复处理原始数据表3数据强化后数据集尺寸表4数据强化后性能比较2.5模型比较实验为了进一步证明本模型与其他模型,目前流行的深度网络模型VGGnet16、VGGnet19及文献[3]中的PreCNN-SVM鱼类表5不同方法的鱼类识别性能与表2的各种方法相比,本文的方法与其他方法相比识别精度比较高,得到了99.6%的鱼类识别精度。

本方法充分利用百度EasyDL定制图像识别平台的优势,可以很好地解决鱼类识别任务训练数据严重不足的问题,同时引入伽玛校正法和明地下通道先验算法展开数据展开预处理。
3结束语海底观测环境亮度低,场景模糊,收集的视频质量差,需要识别视频中的海洋鱼类。

本文明确提出了预处理方法提高图像质量、百度EasyDL定制图像识别等方法,构建了更好质量图像的正确识别。 针对亮度低、场景模糊的问题,预处理时首先用于伽玛校正法提高图像亮度,然后参照基于明地下通道先验算法的去雾研究不改良海底环境的特征,提高了图像的清晰度。 目前没有大量的标签数据,本文用于百度EasyDL定制图像识别和AutoDL Transfer算法,解决了训练数据少、模型效果差的问题。 实验结果表明,本文委托的方法可以以超过99.6%的精度鉴定海底鱼类的图像,验证方法的有效性。

但本文的方法还没有严重不足,其中关键是海底环境的特殊性,提高图像质量的预处理方法几乎还没有融合海底环境的特征,提高图像质量的能力受到限制。 下一步的研究是深入分析和挖掘海底环境的特征明确提出更强有效的预处理方法。 参考文献: [1]Huang,Phoenix X . Bastiaan J. Boom,androbertb.fisher.hierarchicalclassificationwithrejectoptionforlivefishrecognition.machinevisionandapplica : 89-102.[2]杜伟东、李海森、魏玉广等.基于SVM的多方位声衍射数据联合融合鱼分类和鉴定[J] .农业机械学报,2015,61 (3) ET AL.underwaterlivefishrecognitionb internationalconferenceonimageandsignalprocessing.s processing 171 (6) : 275-283.[4]基于郑平、朱敏.深度自学的鱼类分类算法研究[J] .复制3360200-283 2016336025-27.(jiangm.researchonlcdgammacorrectionbasedonfpga [ d ].Nanjing, nanjingforestryuniversity ) tangx.singleimagehazeremovalusingdarkchannelprior [ j ].ieetransactionsonpatternanalysisandmachines : 2341-2353.[7]B J,Huang P X,He J,ET AL-亚博APP下载。

本文来源:亚博APP手机版-www.ettikajewelry.com

相关文章