45、基于深度学习的外来鲤鱼识别与单图像去雾技术

基于深度学习的外来鲤鱼识别与单图像去雾技术

在水产养殖和鱼类研究领域，准确识别鱼类物种至关重要。同时，在计算机视觉应用中，去除图像中的雾气以提高图像质量也是一个关键问题。本文将介绍利用深度学习技术自动识别三种主要外来鲤鱼的方法，以及一种结合加权最小二乘法（WLS）滤波、对比度受限自适应直方图均衡化（CLAHE）和离散小波变换（DWT）的单图像去雾策略。

深度学习识别外来鲤鱼

深度学习方法

为了自动识别三种主要的外来鲤鱼，研究中采用了一些流行的深度学习技术，特别是迁移学习。由于深度学习技术计算成本高，且对于中等规模的数据集，迁移学习是一种有效的选择。它是将预训练网络应用于特定新任务的过程。在本研究中，使用了VGG16、VGG19、InceptionV3、MobileNetV2和InceptionResNetV2进行迁移学习。

• VGG16 ：具有16个卷积层，卷积核大小为3×3。随着网络深度的增加，特征映射或卷积的数量也会增加。该网络有1.38亿个参数，输入维度设置为(224×224)。在预处理阶段，从每个像素中减去RGB图像的平均值。在卷积层中，第1和第2层有64个特征图，第3和第4层有128个特征图，第5、6和7层有256个特征图，第8 - 13层有512个特征图。使用三个具有4096个单元的全连接层，并在最后使用一个具有1000个单元的SoftMax输出层，用于对ImageNet中的1000种不同对象进行分类。
• VGG19 ：VGG - 19 CNN架构在处理大型数据集（如图像Net）时能达到较高的准确率。该模型大约有1.43亿个参数，这些参