基于深度学习的循环水养殖鳗鲡(Anguilla)行为状态识别的研究

作     者：许志扬 江兴龙 林茜 李凯 XU Zhi-Yang;JIANG Xing-Long;LIN Qian;LI Kai

作者机构：集美大学水产学院福建厦门361021 鳗鲡现代产业技术教育部工程研究中心福建厦门361021 

出 版 物：《海洋与湖沼》 (Oceanologia Et Limnologia Sinica)

年 卷 期：2023年第54卷第6期

页      面：1746-1755页

核心收录：

学科分类：090504[农学-特种经济动物饲养（含：蚕、蜂等）] 090801[农学-水产养殖] 0907[农学-林学] 090705[农学-野生动植物保护与利用] 0908[农学-水产] 0905[农学-畜牧学] 09[农学] 

基　　金：国家重点研发计划“特色鱼类精准高效养殖关键技术集成与示范”,2020YFD0900102号 福建省科技厅高校产学合作项目,2020N5009号 

主　　题：鳗鲡 行为状态 混合高斯背景模型 DenseNet-121 双流网络结构 卷积融合 

摘      要：对鱼类的行为进行智能监测,精准地量化与识别其健康状态,已成为研究热点。为实现养殖鳗鲡行为状态精准识别,提出一种基于DenseNet双流卷积神经网络的鳗鲡行为状态检测方法。利用混合高斯背景模型进行前景提取构建数据集,针对传统卷积神经网络对于时间动态信息提取能力有限的问题,搭建关联空间特征与时间特征的双流网络结构(Two-stream),并使用DenseNet-121网络替换原网络,对比VGGNet、ResNet等网络,通过密集连接实现特征重用,在搭建更深的网络结构基础上加强了运动特征传递并减少了参数量,更好地提取具有代表性的行为特征。传统双流网络在两端的softmax层仅作简单的决策层平均融合,无法更深程度关联时空高级特征,提出在网络卷积层提取空间特征与时间特征后,加上一层卷积层将时空特征进行卷积融合以提升模型识别精度。实验结果表明:文中提出的基于DenseNet双流卷积神经网络对6种鳗鲡行为状态检测方法准确率达到96.8%,相较于单通道的空间流与时间流网络,准确率分别提升了10.1%和9.5%;相较于以VGGNet、ResNet搭建的双流网络,准确率分别提升了12.4%和4.2%;与决策层平均融合、特征层拼接融合的方式相比,时空特征卷积融合方式准确率分别提升了2.5%和1.7%。