基于深度学习的水下鱼类检测与种类识别算法研究

• 萌宠菠菠乐园
• 2024-12-03 11:42

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1 研究的目的和意义

1.2 国内外研究现状

1.2.1 水下图像增强技术国内外研究现状

1.2.2 水下鱼类分割国内外研究现状

1.2.3 水下鱼类种类识别方法研究现状

1.3 目前研究存在的问题

1.3.1 水下鱼类图像增强算法研究存在的问题

1.3.2 水下鱼类图像分割算法研究存在的问题

1.3.3 水下鱼类识别算法研究存在的问题

1.4 本文框架

1.5 本章小结

第二章 水下鱼类检测与种类识别理论及技术

2.1 卷积神经网络(CNN)

2.1.1输入层

2.1.2卷积层

2.1.3池化层

2.1.4激活函数

2.1.5全连接层

2.2卷积神经网络经典模型

2.2.1 VGGNet网络模型

2.2.2 Inception网络模型

2.2.3 残差结构

2.2.4 SegNet

2.2.5 UNet

2.3 图像增强理论

2.3.1 Retinex算法

2.3.2 单尺度Retinex

2.3.3 多尺度Retinex

2.3.4 MSRCR算法

2.3.5 图像增强算法总结

2.4 本章小结

第三章 基于改进型ACE算法的图像增强算法研究

3.1 ACE算法

3.1.1 ACE算法步骤

3.1.2区域自适应滤波

3.1.3 色彩拉伸

3.2 改进快速ACE算法

3.2.1减小滤波窗口

3.2.2 分解逐步增强

3.3 实验结果及分析

3.4 本章小结

第四章 基于ARD-PSP Net网络的水下鱼类图像分割算法研究

4.1 基础网络模型结构

4.1.1 PSPNet网络模型

4.1.2 R-MCN模块

4.1.3 深度可分离卷积模块

4.2 ARD-PSPNet网络模型

4.3 损失函数改进

4.3.1 BCE损失函数

4.3.2 Dice损失函数

4.3.3 联合损失

4.4 实验过程及实验结果

4.4.1 数据准备

4.4.2 实验环境

4.4.3 实验过程

4.4.4 实验结果对比

4.4.5 消融实验

4.5 本章小结

第五章 基于PSA-DenseNet网络的水下鱼类识别算法研究

5.1网络模型结构

5.1.1 DenseNet网络模型

5.1.2 迁移学习

5.1.3 PSA模块

5.2 PSA-Densenet模型融合

5.3 损失函数的改进

5.4 实验结果与分析

5.4.1 数据准备

5.4.2 模型训练

5.5.4 消融实验

5.5.5 加入不同注意力机制对比

5.5 本章小结

第六章 水下鱼类分割检测及识别分类软件

6.1 搭建软件开发环境

6.1.1 PyCharm

6.1.2 PyQt5

6.1.3 QtDesigner

6.2 软件功能介绍

6.2.1 图像增强软件设计

6.2.2 图像分割软件设计

6.2.3图像识别软件设计

6.3 本章小结

第七章 总结与展望

7.1 总结

7.2 展望

参考文献

在学期间取得的科研成果和科研情况说明

致谢

相关知识

基于深度学习的犬类面部识别,检测和生成的算法研究
【计算机科学】【2019.03】基于深度学习的动物识别
【毕业设计】基于深度学习的水族馆生物识别 人工智能 深度学习 目标检测 Python
毕业设计：基于深度学习的宠物狗种类识别 人工智能 YOLO
全球尺度下的海洋鱼类图像智能分类研究进展
基于YOLOv5s网络模型的牛只日常行为识别与统计研究
行为检测论文笔记【综述】基于深度学习的行为检测方法综述
基于YOLOv8深度学习的120种犬类检测与识别系统【python源码+Pyqt5界面+数据集+训练代码】目标检测、深度学习实战、狗类检测、犬种识别
基于YOLOv8深度学习的200种鸟类智能检测与识别系统【python源码+Pyqt5界面+数据集+训练代码】目标检测、深度学习实战
如何制作并使用 基于深度学习Yolov5的鸟类识别检测系统

网址: 基于深度学习的水下鱼类检测与种类识别算法研究 https://m.mcbbbk.com/newsview683602.html