基于注意力机制和Faster R-CNN深度学习的海洋目标识别模型

为进一步提升对复杂海洋目标的检测能力,引入自适应尺度的注意力机制,提出一种适应多尺度复杂海洋目标的改进Faster R-CNN模型,该模型通过将卷积网络与SKNet网络相结合,增强模型的特征提取能力与特征有效性,并针对船舶、蚝排、红树林、海岸线4类典型海洋目标,利用91卫图助手与无人机高清影像建立了12 000张样本库,分别基于改进的Faster R-CNN模型与原模型进行对比测试试验。结果表明:改进的模型虽然略微增加了计算量,但其特征提取能力与目标检测能力明显强于原模型,整体识别准确率为87.1%;在4类典型海洋目标中,船舶的识别准确率最高,可达94.4%,而红树林由于其特征比较复杂,边界不明显,其整体识别准确率为75.1%。研究表明,引入SKNet网络的Faster R-CNN网络模型,不仅增强了模型对多尺度复杂目标的特征提取能力,更适用于对复杂海洋目标的检测与识别。     

基于声呐成像的水下桩墩表观病害深度学习与智能检测

声呐成像检测水下桩墩表观病害时，其图像与光学图像的病害特征存在较大差异，病害的位置和类型需要人工识别且易出错。为解决这个问题，提出基于声呐成像的水下桩墩表观病害深度学习与智能检测方法。首先对水下实桥桩墩以及试验模型进行声呐扫描获取大量图像，并分析声呐图像中的病害特征；然后对Faster R-CNN框架下VGG16网络模型进行改进，采用水平、垂直等线性变换实现原始声呐图像的数据增强，对深度学习模型进行近似联合优化训练，用一定概率保证率的矩形识别框实现水下桩墩多类病害的分类定位；最后选取150幅未参与训练的声呐图像进行识别，验证所提出方法的有效性，并通过混淆矩阵、精确率、召回率、准确率以及F1值等评价指标对识别方法性能进行研究。研究结果发现，桩墩孔洞、剥落和位移等病害以及无病害类型的识别结果的总体准确率为88.3%，F1值分别为90.1%、84.9%、78.7%和94.6%，平均F1值为87%。这说明该方法在水下桩墩表观病害识别、定位以及自动化处理方面是可行、有效的，为桥梁水下桩墩表观病害的图像处理、智能化检测与桥梁安全评估提供技术支撑。     

基于FireNet的古建筑火灾检测方法研究及改进

针对古建筑火灾检测需要快速、准确及实时的需求,建立了一个专门用于古建筑火灾检测的数据集,用于古建筑火灾检测的深度学习研究。利用CBAM注意力机制模块,结合多尺度特征融合,对FireNet网络进行改进,提出适用于古建筑火灾检测的轻量级FireNet-AMF网络,在FireNet数据集和本文构建的古建筑火灾检测数据集上验证了FireNet-AMF网络的火灾检测能力。与改进前的网络相比,FireNet-AMF网络在FireNet数据集上对火灾识别的准确率达到了95.08%,与原网络相比提高了1.17%,在本文构建的古建筑火灾检测数据集上的准确率达到了95.62%,比原网络提高了1.62%。该网络在保证轻量级的同时也保证了在古建筑火灾检测中较高的检测精度。     

基于深度学习VGG网络模型的海洋单细胞藻类识别算法

为更好地对海洋中单细胞藻类进行有效识别,本研究提出了基于改进式VGG16网络模型的单细胞藻类识别算法—AlgaeNet,在传统VGG网络模型基础上,通过减少卷积核数量,并添加BatchNormalization层进行神经网络模型加速。结果表明:在相同试验条件下,本研究中提出的AlgaeNet算法在训练过程中的损失值收敛速度及对测试集样本(卵形小球藻Chlorella ovalis与小等刺硅鞭藻Dictyocha fibula Ehrenberg)的预测准确率上升速度较传统VGG、AlexNet网络模型优势明显,识别准确率可达99.317%。研究表明,基于改进式VGG16网络模型的单细胞藻类识别算法AlgaeNet在单细胞藻类识别领域具有较好的分类识别性能,可实现海洋中藻类的准确识别。     

虾夷马粪海胆筏式人工养殖研究

报道了由日本北海道引进的虾夷马粪海胆在大连海区进行筏式人工养殖的试验情况。结果表明：①采用扇贝笼、鲍鱼笼和塑料筐在大连近海水域进行筏式养殖效果良好，虾夷马粪海胆在该海区可正常生长、并达性成熟；②饵料以海带、裙带菜等为主，间或投喂马尾藻、石莼等；③海区水温在－１．０～２５．２℃范围内，该海胆均可正常生活；④在大连海区虾夷马粪海胆的生长速度比原分布区快一倍左右；⑤养殖１．５～２．０年壳径可达５．０ｃｍ以上并收获；⑥不同养殖器材的养殖密度和效果不同     

基于Faster R-CNN和图像增强的水下鱼类目标检测方法

为了克服水下鱼类图像样本量不足及实现对水下低清晰度图像中鱼类的快速检测,提出了一种基于Faster R-CNN二次迁移学习和带色彩恢复的多尺度视网膜增强算法(MSRCR)的方法,首先通过ImageNet预训练模型对Open Images高清鱼类数据集进行一次迁移学习初步训练网络,然后固定检测模型低3层的卷积网络参数,再用水下拍摄的小规模鱼类数据集进行二次迁移学习微调网络,最后通过MSRCR算法对水下拍摄图像进行处理以增强其与高清鱼类图像的相似性,解决水下图像降质问题,让二次迁移学习高效进行。结果表明,该方法利用小规模水下拍摄鱼类数据集训练出的网络查准率可达到98.12%,网络检测能力及后续提升能力优于传统机器学习方法,并能够实现鱼类目标的快速检测,本研究结果可为深海探测作业与海底鱼类等生物资源的监测、保护和可持续开发等工程应用提供一定的参考。     

经济棘皮动物种质资源保护与利用研究进展

水产种质资源是渔业发展的重要物质基础。中国现有棘皮动物500余种,其中海参、海胆是中国水产重要养殖种类。自20世纪90年代,水产原良种建设工程启动以来,中国经济棘皮动物种质资源保护取得了长足进步,初步建立起具有中国特色的经济棘皮动物种业体系,但仍存在不同层面的诸多问题和挑战。本文综述了经济棘皮动物(海参、海胆)的种质资源分布、鉴定、评价、保护及种质资源创新,并就建设经济棘皮动物国家水产原良种场、种质资源测试评估体系、种质资源库和信息共享平台,以及海参、海胆"育繁推一体化"提出建议,以期推动中国棘皮动物种质资源保护,种业、养殖业体质增效、绿色发展。     

基于注意力机制和深度学习模型的外来海洋生物命名实体识别

为解决因外来海洋生物领域实体复杂且实体间存在嵌套导致命名实体识别效果较差等问题,提出基于融合注意力机制的卷积神经网络(CNN)-双向门控循环单元网络(BiGRU)-条件随机场(CRF)网络模型进行外来海洋生物命名实体识别,并构造词向量、词性特征向量等特征作为网络模型的联合输入,以提升网络模型识别效果。结果表明:使用融合多特征向量的CNN-BiGRU-CRF网络模型对外来海洋生物名称实体、时间实体、地名实体3类实体上的命名实体识别结果平均准确率达到了90.62%,平均召回率达到了89.50%,平均F1值达到了90.05%,较传统命名实体识别方法均有较大提高。研究表明,本研究中提出的网络模型可以充分提取文本特征,解决了文本的长距离依赖问题,对外来海洋生物领域的命名实体识别具有较好的识别效果。     

基于迁移学习的公路边坡滑塌识别研究

自动化拍摄代替人工进行边坡滑塌病害巡查是近年来的新趋势,本文提出基于迁移学习的边坡病害识别方法。首先采集3000余张边坡病害照片,并将样本量扩充了7倍后划分为70:30的训练集与验证集。然后基于预训练目标识别模型,更新模型目标推荐模块,建立了多个Faster R-CNN框架下的目标识别模型。然后结合模型误差随机梯度下降等训练策略,完成模型训练。分别以目标框内病害的判别概率大于90%、80%、70%作为识别依据,计算准确率、召回率,在验证集上验证模型效果。发现：降低目标识别框的类别概率阈值要求后,边坡病害的漏判率有明显下降,准确率降低。训练效果最好的Faster R-CNN ResNet-50 FPN模型以大于70%概率作为识别目标标准时,对验证集的漏判率低于4%。适当放松准确率要求,模型漏判率随之降低,对缺陷、异常的图像识别具有实用价值。     

十字式球形深水网箱监测机器人的系统设计

文章结合四轴飞行器运动模型,设计制作了一种对网箱养殖动态监测的十字式球形网箱机器人系统。该网箱机器人监测系统由Web网页上位机、通信中继和水下球形机器人构成。用户可随时随地通过网络登录Web网页上位机远程操控机器人,可通过数据平台获得水下实时高清视频和各个水质数据。相比传统人工网箱水质检测,该机器人不仅操作简单、水下运动灵活、优化结构和性能,而且可以动态、实时地监测到水下养殖环境的变化,制作成本低廉。还可用于海洋科考或军事领域。