CN117994575A - 一种基于深度学习的海洋鱼类识别检测*** - Google Patents
一种基于深度学习的海洋鱼类识别检测*** Download PDFInfo
- Publication number
- CN117994575A CN117994575A CN202410079048.XA CN202410079048A CN117994575A CN 117994575 A CN117994575 A CN 117994575A CN 202410079048 A CN202410079048 A CN 202410079048A CN 117994575 A CN117994575 A CN 117994575A
- Authority
- CN
- China
- Prior art keywords
- marine fish
- deep learning
- detection system
- identification
- fish
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 241000251468 Actinopterygii Species 0.000 title claims abstract description 63
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000013145 classification model Methods 0.000 claims abstract description 10
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 4
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000009360 aquaculture Methods 0.000 description 1
- 244000144974 aquaculture Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及鱼类识别检测技术领域，具体是指一种基于深度学习的海洋鱼类识别检测***，包括图像数据库、模型训练模块和数据处理模块，所述模型训练模块与图像数据库连接，所述图像数据库与数据处理模块连接，所述模型训练模块采用卷积神经网络结构设置有海洋鱼类分类模型，通过图像数据库中大量海洋鱼类图像数据进行训练，能够自动识别和分类海洋鱼类，利用深度学习算法对海洋鱼类进行自动识别和分类，提高了识别准确率和分类精度，实现了实时海洋鱼类图像采集，能够及时获取海洋鱼类的信息。
Description
技术领域
本发明涉及鱼类识别检测技术领域，具体是指一种基于深度学习的海洋鱼类识别检测***。
背景技术
海洋鱼类识别检测技术在渔业资源评估、水产养殖、海洋生态***保护等领域具有重要作用。然而，传统的识别方法主要依赖人工鉴定，不仅效率低下，而且容易出错。近年来，随着深度学习技术的快速发展，图像识别和物体检测技术在多个领域取得了显着成果。因此，将深度学习技术应用于海洋鱼类识别检测，具有巨大的潜力和实用价值。
发明内容
针对上述情况，为克服现有技术的缺陷，本方案提供一种基于深度学习的海洋鱼类识别检测***，由以下具体技术手段所达成：包括图像数据库、模型训练模块和数据处理模块，所述模型训练模块与图像数据库连接，所述图像数据库与数据处理模块连接，所述模型训练模块基于卷积神经网络结构建立有海洋鱼类分类模型，通过图像数据库中大量海洋鱼类图像数据进行训练，能够自动识别和分类海洋鱼类。
优选技术方案一：所述数据处理模块连接有鱼类图像采集设备，能够实时采集海洋鱼类的图像数据。
优选技术方案二：所述数据处理模块能够对采集到的海洋鱼类的图像数据进行预处理。
优选技术方案三：所述模型训练模块用于将处理后的图像数据输入到海洋鱼类分类模型进行识别和分类。
优选技术方案四：所述模型训练模块连接有报警模块，所述报警模块能够在检测到异常鱼类时自动发出警报。
采用上述结构使得本方案具备以下有益效果：
1、利用深度学习算法对海洋鱼类进行自动识别和分类，提高了识别准确率和分类精度；
2、实现了实时海洋鱼类图像采集，能够及时获取海洋鱼类的信息；
3、通过数据处理模块的预处理操作，提高了图像质量，有利于提高识别准确率；
4、通过报警模块的自动警报功能，能够及时通知相关部门或人员，有利于及时采取措施，保护海洋生态***和渔业资源。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本方案的整体架构图。
其中，1、图像数据库，2、模型训练模块，3、海洋鱼类分类模型，4、数据处理模块，5、鱼类图像采集设备，6、报警模块。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，基于深度学习的海洋鱼类识别检测***，包括图像数据库1、模型训练模块2、数据处理模块4、鱼类图像采集设备5和报警模块6，数据处理模块4与鱼类图像采集设备5连接，鱼类图像采集设备5能够实时采集海洋鱼类的图像数据，数据处理模块4能够对采集到的海洋鱼类的图像数据进行预处理，并将处理后的图像数据存入图像数据库1，模型训练模块2与图像数据库1连接，模型训练模块2采用卷积神经网络结构设置有海洋鱼类分类模型3，模型训练模块2用于将处理后的图像数据输入到海洋鱼类分类模型3进行识别和分类，并输出结果，报警模块6能够在检测到异常鱼类时自动发出警报，通知相关部门或人员。
鱼类图像采集设备5包括但不限于水下相机、无人机、监控***。
鱼类图像采集设备5实时采集海洋鱼类的图像数据，并将数据传输至数据处理模块4。数据处理模块4对图像数据进行预处理，包括图像增强、去噪、裁剪等操作，以提高图像质量，并将处理后的数据传输至模型训练模块2。模型训练模块2将处理后的图像数据输入到海洋鱼类分类模型3进行识别和分类，并输出结果。当检测到异常鱼类时，报警模块6会自动发出警报，通知相关部门或人员。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种基于深度学习的海洋鱼类识别检测***，其特征在于：包括图像数据库(1)、模型训练模块(2)和数据处理模块(4)，所述模型训练模块(2)与图像数据库(1)连接，所述图像数据库(1)与数据处理模块(4)连接，所述模型训练模块(2)采用卷积神经网络结构建立有海洋鱼类分类模型(3)。
2.根据权利要求1所述的一种基于深度学习的海洋鱼类识别检测***，其特征在于：所述数据处理模块(4)连接有鱼类图像采集设备(5)，用于实时采集海洋鱼类的图像数据。
3.根据权利要求2所述的一种基于深度学习的海洋鱼类识别检测***，其特征在于：所述数据处理模块(4)能够对采集到的海洋鱼类的图像数据进行预处理。
4.根据权利要求3所述的一种基于深度学习的海洋鱼类识别检测***，其特征在于：所述模型训练模块(2)用于将图像数据库(1)中处理后的图像数据输入到海洋鱼类分类模型(3)进行识别和分类，并输出结果。
5.根据权利要求4所述的一种基于深度学习的海洋鱼类识别检测***，其特征在于：所述模型训练模块(2)连接有报警模块(6)，所述报警模块(6)能够在检测到异常鱼类时自动发出警报，通知相关部门或人员。
6.根据权利要求2所述的一种基于深度学习的海洋鱼类识别检测***，其特征在于：所述鱼类图像采集设备(5)包括但不限于水下相机、无人机、监控***。
7.根据权利要求3所述的一种基于深度学习的海洋鱼类识别检测***，其特征在于：所述图像数据的预处理包括图像增强、去噪、裁剪。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410079048.XA CN117994575A (zh) | 2024-01-19 | 2024-01-19 | 一种基于深度学习的海洋鱼类识别检测*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410079048.XA CN117994575A (zh) | 2024-01-19 | 2024-01-19 | 一种基于深度学习的海洋鱼类识别检测*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117994575A true CN117994575A (zh) | 2024-05-07 |
Family
ID=90895683
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410079048.XA Pending CN117994575A (zh) | 2024-01-19 | 2024-01-19 | 一种基于深度学习的海洋鱼类识别检测*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117994575A (zh) |
-
2024
- 2024-01-19 CN CN202410079048.XA patent/CN117994575A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | Computer vision models in intelligent aquaculture with emphasis on fish detection and behavior analysis: a review | |
| US7221621B2 (en) | System and method for identification and quantification of sonar targets in a liquid medium | |
| CN108806334A (zh) | 一种基于图像的智能船舶身份识别方法 | |
| Schmid et al. | The LOKI underwater imaging system and an automatic identification model for the detection of zooplankton taxa in the Arctic Ocean | |
| CN111222526B (zh) | 一种渔船实时捕捞行为识别方法、装置、设备及存储介质 | |
| CN112819068B (zh) | 一种基于深度学习的船舶作业违章行为实时侦测方法 | |
| CN110084792B (zh) | 一种海上养殖网箱网衣的异常检测方法 | |
| CN115100512A (zh) | 一种海洋经济物种的监测识别捕捞方法、***及存储介质 | |
| CN113591592B (zh) | 水上目标识别方法、装置、终端设备及存储介质 | |
| CN111476289A (zh) | 一种基于特征库的鱼群识别方法、装置、设备及存储介质 | |
| Dharshana et al. | A novel approach for detection and classification of fish species | |
| CN115830490A (zh) | 一种群养生猪多目标跟踪及行为统计方法 | |
| Beyan et al. | A filtering mechanism for normal fish trajectories | |
| Anas et al. | Detecting abnormal fish behavior using motion trajectories in ubiquitous environments | |
| CN117475353A (zh) | 基于视频的异常烟雾识别方法及*** | |
| CN117994575A (zh) | 一种基于深度学习的海洋鱼类识别检测*** | |
| CN113947780B (zh) | 一种基于改进卷积神经网络的梅花鹿面部识别方法 | |
| Zhang et al. | Msgnet: multi-source guidance network for fish segmentation in underwater videos | |
| Ge et al. | Real-time object detection algorithm for Underwater Robots | |
| CN112464742B (zh) | 赤潮图像自动识别的方法及装置 | |
| CN114494355A (zh) | 基于人工智能的轨迹分析方法、装置、终端设备及介质 | |
| CN106326882A (zh) | 一种基于图像质量评估技术的指纹识别***及方法 | |
| Bi et al. | Taming the data deluge: A novel end‐to‐end deep learning system for classifying marine biological and environmental images | |
| CN117765482B (zh) | 基于深度学习的海岸带垃圾富集区的垃圾识别方法及*** | |
| Wang et al. | Monitoring marine pollution for carbon neutrality through a deep learning method with multi-source data fusion |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |