基於深度学习之鱼种辨识-NPUCSIE.PDF

基於深度學習之魚種辨識 1 2 1 2,* 魏子量 、吳政翰 、林忠宏 、林泓宏 1 2 國立成功大學系統及船舶機電工程學系 、南臺科技大學資訊工程系 * hhlin@.tw 摘要 CNN 更容易分辨魚類 ，(4) 在輸入中增加經過 我們以電子觀察員發想，研究 如何自動判斷 Sobel 濾波後的梯度影像 ，比起僅以RGB影像作 漁船甲板上是否有魚 ，以及是何魚種。我們從漁船 為輸入，可得到較佳的效果 。 監視影片中，擷取魚體與 非魚體的影像 ，作為魚體 偵測與魚種分類的訓練資料，並 探討如何設置摺積 2 文獻回顧 神經網路的結構， 以及選擇何種影像輸入效果較 佳 。實驗結果顯示，若加上梯度影像作為輸入，能 吳俊樓 [1] 取鯊魚、鮪魚 、旗魚魚體長寬比 改善原本單以 RGB影像輸入的魚體偵測 率，可由 例，用倒傳遞類神經網路做訓練與測試，人工量魚 86.1% 提升至 95% ；在魚種 辨識部份，則應 分成 體 特徵如魚長、尾鰭長寬等，另外取魚體特徵用來 三種 「目標魚種、其他魚 、無魚」進行辨識，會比 判斷魚種的還有Mutasem K Alsmadi 等人[2][3] ， 分成兩種「目標魚種、 非目標魚種 」為佳 ，以鬼頭 取了更多魚體特徵 ，也有取魚體顏色，並提及判斷 刀分類辨識為例，分為兩類的識別 率僅 73.6% ，分 魚種要面對的五個問題 1.魚的大小和方向可以說 為三種則為 78.2% ；而在摺積神經網路結構探討方 是完全隨機的 2.不同魚種間的特徵相差非常多 3. 面 ，我們測試了多種不同結構設定，其中，有無魚 環境變化大 4.影像畫質 差 5.影像分割錯誤 ， 的最佳偵測 率為 96% ，鬼頭刀分類最佳識別率為 Dah-Jye Lee 等人[4用] 魚體輪廓來辨識是否有魚 ， 78.4% ，鮪魚分類則 為 84.8% ；此外，若與 Torch Majed Chambah 等人[5則在水下影像直接辨識是] 函式庫比較，Torch的鬼頭刀辨識 率為93.7% ，鮪 否有魚 。 魚辨識 率則為92.5% 。 Yann Lecun 等人[6]提出摺積神經網路 (Convolutional Neural Network , CNN) 。摺積神經網 關鍵詞：摺積神經網路、魚體偵測、魚種辨識 路 是一種特殊的網路結構，包含 多個摺積層 (Convolutional Layer) 與降取樣層(Subsampling 1 前言 Layer)最後經由全連接層 (Fully Connected Layer) 輸出。摺積層利 用多個摺積核 (Convolutional 為了蒐集、統計漁船上捕獲的漁獲種類、大 Kernel)與輸入的影像做摺積運算，類似濾波器的 小、數量、捕獲時間、捕獲地點等等，以往都會要 概念來提取影像特徵。 n n 求船員自行填寫表格提交，然而其正確性有待討 降取樣層又稱池化層 (Pooling L