基于魚體特征點檢測的淡水魚種類識別

朱 明 ，李夢珂 ，萬 鵬 ,4※，肖暢宇 ，趙竣威

（1. 華中農業大學工學院，武漢 430070；2. 農業農村部水產養殖設施工程重點實驗室，武漢 430070；3. 農業農村部長江中下游農業裝備重點實驗室，武漢 430070；4. 農業農村部華南現代農業智能裝備重點實驗室，廣州，510630）

0 引 言

淡水魚種類識別是淡水魚機械化、自動化加工處理的基礎[1-3]，同時在淡水魚的養殖、捕撈、銷售等環節具有重要應用[4-5]。目前，淡水魚分類識別依靠人工進行，勞動強度大、識別效率和準確度較低，因此，開展準確、高效的淡水魚種類識別方法研究對推動淡水魚養殖及加工的機械化、自動化具有重要意義。

機器視覺技術在農業生產中具有廣泛應用，在水產養殖領域，常被用來獲取養殖對象的視覺屬性，并據此研發快速、高效的種類識別、分級分選等方法[6]。如張志強等[7-8]提取魚體尺寸特征，通過統計分析建立魚體分類模型；WHITE 等[9-10]提取魚體顏色特征和尺寸特征后分別采用判別分析法和貝葉斯分類器對魚類圖像進行分類；HU 等[11-12]提取魚體形態多種特征并采用支持向量機對魚體分類；萬鵬等[13]提取魚體形態特征和顏色特征采用BP 神經網絡對淡水魚品種進行識別。綜上所述，傳統機器視覺的淡水魚種類識別方法流程為魚體圖像預處理、特征值提取、基于特征值的魚體分類模型構建；其中，魚體圖像預處理過程繁瑣，流程較多，易受圖像獲取環境的干擾，對魚體特征值提取效果有較大影響；而魚體特征值表達魚體的特征信息，直接影響淡水魚種類識別的準確度，但常規的特征值提取難以挖掘魚體深層次的特征信息。特征點是指在不同圖像中能夠將目標識別出來的具有統一性質的位置點，在魚體圖像中則表現為魚頭、魚鰭、魚尾等具有顯著特征的位置點。基于特征點檢測的目標識別在生產生活中被廣泛應用，因此，準確檢測魚體的特征點并提取魚體的特征信息可以用于淡水魚的種類識別。

隨著深度學習技術的發展與應用，相關學者利用深度學習技術對魚類的種類識別方法進行了研究。如陳英義等[14-15]通過改進的VGG16 網絡模型對魚類進行識別；萬鵬等[16]構建了基于改進的ResNet50 模型的淡水魚種類識別方法；時揚揚[17]提出了一種將空間金字塔池化和DenseNet 相融合的圖像識別方法用于淡水魚種類檢測；VANEEDA 等[18]設計了基于深度卷積神經網絡的海水魚分類方法。基于深度學習技術的目標分類是一種端到端的分類方法，與傳統機器視覺技術相比，其簡化了圖像目標的識別流程并保證了分類準確率，但是這種端到端的方法導致特征提取過程被隱藏于整個分類過程中，難以對特征提取的結果進行定量描述。

AlexNet 模型[19]是首個應用于圖像分類的深層卷積神經網絡結構模型，它有5 個卷積層和3 個全連接層，采用圖形處理器代替中央處理器進行運算，不但能加速網絡的訓練速度，還能提升數據的使用規模，同時具備收斂速度更快、錯誤率較低、能避免模型過擬合等優點。本文以典型的大宗淡水魚為研究對象，以經典AlexNet模型為基礎，構建改進AlexNet 模型對淡水魚特征點進行檢測，在此基礎上提取魚體的形態特征值構建特征向量，并結合Fisher 判別分析對淡水魚種類進行識別，以期提高淡水魚種類識別準確率及識別速率，為淡水魚分類識別、魚體特征參數檢測、魚體分割等自動化前處理加工裝置的研制提供借鑒。

1 淡水魚特征點檢測數據集構建及預處理

1.1 淡水魚原始圖像獲取

為了獲取淡水魚圖像，本文搭建了淡水魚圖像采集裝置，其結構如圖1 所示。

圖1 淡水魚圖像采集裝置示意圖Fig.1 Schematic diagram of the freshwater fish image acquisition device

淡水魚圖像采集裝置由圖像采集平臺、BASLER 工業相機（德國Blaser，acA640-90 gm）、鏡頭（日本Computar，M0814-MP2）、光源、相機支架、計算機系統、淡水魚圖像采集軟件等構成。采集魚體圖像時，通過調整鏡頭與魚體樣本之間的距離改變相機的視場，即可對不同淡水魚樣本進行圖像采集。

本文以鳊、鳙、草魚、鰱、鯉5 種典型的大宗淡水魚為研究對象。魚體樣本自市場隨機采購，要求魚體完整、呈鮮活狀態，采購回來后放于水池中暫養。5 種淡水魚樣本的質量范圍為：鳊0.3～0.8 kg，鳙1.0～1.9 kg，草魚0.6～1.4 kg，鰱1.2～2.1 kg，鯉0.9～1.8 kg。

采集魚體圖像時，先將淡水魚擊暈，擦干魚體，再將魚體樣本放置于相機的正下方，分別采集魚頭朝左、魚身傾斜角度隨機的魚體正反兩面完整淡水魚原始圖像，如圖2 所示。

1.2 淡水魚圖像數據增強

為了增加訓練樣本的多樣性，擴充訓練樣本數量，提升模型的適應性能，需對采集的淡水魚圖像進行數據增強。本文采用添加椒鹽噪聲和高斯噪聲、改變圖像亮度、對圖像向上和向下平移、以及高斯模糊等方法對采集的淡水魚原始圖像進行處理，共得到5 種淡水魚樣本圖像7 200 張，每種淡水魚圖像各1 440 張，組成淡水魚圖像數據集。

1.3 淡水魚魚體特征點標記和坐標獲取

為了準確檢測淡水魚魚體特征點，首先需要確定魚體特征點，并對圖像數據集中的魚體圖像進行特征點標記。根據淡水魚魚體結構和外形，本文將魚體分為魚頭、魚身、魚尾三部分，共設定20 個特征點，其中魚頭部分特征點為魚體吻端、魚體眼部、魚體鰓蓋骨后緣與上下邊緣位置；魚身部分特征點為魚鰭與魚身連接點、魚體輪廓過渡點位置；魚尾部分特征點為魚體尾鰭末端、尾鰭與魚身連接點、魚體脊椎骨末端位置。魚體20 個特征點的位置標記如圖3 所示。

采用LabelMe 軟件對圖像數據集中魚體特征點位置進行標記，標記結果為原圖像坐標系中相對原點的坐標值。利用Python 程序編寫算法將魚體圖像特征點信息寫入csv 表格文件，構建包含淡水魚圖像及對應特征點信息的淡水魚特征點檢測數據集，用于特征點檢測網絡結構模型的訓練和測試。5 種淡水魚特征點位置如圖4所示。

圖4 5 種淡水魚魚體20 個特征點位置Fig.4 Location of 20 feature points on the body of five species of freshwater fish

1.4 圖像預處理

淡水魚特征點檢測數據集在輸入網絡結構模型訓練之前，需要進行預處理。本文調用PyTorch 算法工具庫對淡水魚圖像進行處理。首先采用尺寸壓縮算法將圖像數據集中魚體圖像的尺寸壓縮成227 像素×227 像素大小；再采用歸一化處理將圖像像素值大小由[0，255] 轉變為[0，1] ；最后采用張量處理將圖像和對應特征點信息由Numpy 格式轉換為PyTorch 中的Tensor 格式。經預處理后，淡水魚魚體圖像成為3 通道×227 像素×227 像素的張量，有助于加快深度學習網絡模型的訓練和收斂速度、提升模型的檢測精度。

2 基于改進AlexNet 模型的淡水魚特征點檢測方法

2.1 改進AlexNet 模型的構建

經典AlexNet 模型由5 個卷積層和3 個全連接層構成（圖5）。卷積層共包含1 個11×11 的卷積層、1 個5×5 的卷積層和3 個3×3 的卷積層，并在第1、2、5 層的卷積層設置最大池化模塊，在池化操作時，每次移動的步長小于池化的窗口長度，有利于減少過擬合。輸入圖像經過一系列卷積操作后，在第5 層輸出的特征圖尺寸為6×6×256，經過展平處理后，輸出特征矩陣大小變為1×1×9 216，然后經過3 層全連接層，最后由softmax 計算得到類別概率。

圖5 經典AlexNet 模型網絡結構Fig.5 Network structure of classical AlexNet model

為了縮減模型大小、提升模型的運算效率，同時選擇適用于特征點檢測的損失函數，本文對經典AlexNet模型結構進行改進和優化，方案如下：

1）減小卷積核大小。為了減小模型的參數量和計算量，改進AlexNet 模型將前兩層卷積的11×11 和5×5 尺寸的卷積核改為7×7 和3×3 尺寸的卷積核，這2 種尺寸的卷積核應用于多種經典神經網絡中，并取得了較好的效果[20]。同時，為保證卷積完成后輸出特征圖的尺寸，把前兩層卷積操作的步長s和填充p改為2 和0。

2）去除局部響應歸一化（local response normalization，LRN）。經典AlexNet 模型的局部響應歸一化可以將數據分布調整到合理的范圍內，有助于計算處理，從而提高泛化能力，但是提升能力有限，同時還會導致內存消耗和計算時間增加[21]，因此本文在改進AlexNet 模型中去除了LRN 結構。

3）引入批量歸一化（batch normalization，BN）。為了有效避免梯度消失，加快網絡收斂，改善正則化策略，本文在改進AlexNet 模型的卷積層之后、激活函數之前添加BN 層。

4）更換損失函數并修改全連接層參數。本文選擇均方誤差（mean square error，MSE）作為改進AlexNet 模型特征點檢測問題的損失函數[22]。

改進AlexNet 模型第5 層輸出的特征圖經過展平處理后的輸出特征矩陣大小為1×1×9 216。為了減少全連接層參數，并使改進AlexNet 模型能夠輸出對應數量的坐標值，將全連接層Fc6 層和Fc7 層的輸出特征通道數修改為4 096 和1 000，并將全連接層Fc8 層的輸出特征矩陣大小定為1×1×40。改進后的AlexNet 模型的網絡結構如圖6 所示。

圖6 改進AlexNet 模型網絡結構Fig.6 Network structure of improved AlexNet model

圖6 中，改進AlexNet 模型在網絡的主體結構上與經典AlexNet 模型相同，都由5 個卷積層和3 個全連接層構成，保留了第1、2、5 層的卷積層的最大池化模塊；在激活函數的選擇上，改進AlexNet 模型仍選擇ReLU激活函數；為減少過擬合，改進AlexNet 模型保留了Dropout。

改進AlexNet 模型卷積層的卷積核大小分別為7、3、3、3、3，前2 個卷積操作的步長為2，其余層均為1；最大池化的采樣窗口大小為3×3，步長為2；輸入圖像經過一系列卷積操作后，在第5 層卷積層輸出的特征圖尺寸為6×6×256，經過展平處理后進入3 層全連接層，最后輸出特征矩陣大小變為1×1×40。在特征點檢測問題中，Fc8 的輸出為40 個坐標值，對應20 個特征點的橫、縱坐標。

2.2 淡水魚特征點檢測評價指標

為評價利用改進AlexNet 模型對魚體特征點檢測的效果，參考現有特征點檢測相關研究[23-26]，選擇歸一化平均誤差（E）和失敗率（failure rate，FR）作為特征點檢測準確度的評價指標；并使用平均檢測時間作為特征點檢測速度的評價指標。

2.2.1 歸一化平均誤差

歸一化平均誤差是衡量特征點檢測準確度的重要指標。魚體圖像中，特征點1 表征魚體吻端，特征點18 表征魚體脊椎骨末端位置，本研究以魚體特征點1 與特征點18 之間的距離為歸一化距離，對每個圖像求歸一化平均誤差，并在整個測試集上求其平均值。則每個圖像歸一化平均誤差E的計算式為

式中Pi和Qi為圖像上第i個特征點的真實坐標和預測坐標；L為該圖像上魚體特征點1 與特征點18 之間的距離。歸一化平均誤差的值越小，說明特征點定位準確率越高。

2.2.2 失敗率

失敗率是指特征點定位失敗，即歸一化平均誤差大于閾值δ的魚體圖像在圖像數據集中所占的比例，用Fδ表示閾值為δ時的失敗率。

為了確定閾值δ的取值，參考人臉特征點檢測的閾值選取方法[23-26]，同時考慮淡水魚特征點檢測數據集的實際情況，確定閾值δ設定為0.02 和0.03，使用F0.02和F0.03表示2 種閾值下的失敗率。

2.2.3 平均檢測時間

為了評價圖像特征點檢測的速度，論文以淡水魚測試樣本圖像特征點的平均檢測時間來衡量檢測速度，平均檢測時間的計算式為

式中T為平均檢測時間，s；Tstart為檢測開始的時刻，即第一張測試樣本圖像輸入模型的時刻；Tend為檢測結束的時刻，即最后一張測試樣本圖像的檢測結果輸出的時刻；Ntest為測試樣本圖像的數量。

2.3 改進AlexNet 模型的訓練

2.3.1 模型的訓練環境

文中模型訓練和測試時的環境為： Windows 11 操作系統，GPU 為NVIDIA GeForce RTX 3 090，編程語言為Python3.8，深度學習框架為PyTorch，基礎配置為Anaconda3、PyCharm。

2.3.2 模型訓練過程

網絡模型訓練時，將數據集按照8∶1∶1 的比例隨機劃分為訓練集、驗證集、測試集，使用Adam 優化算法更新梯度，使用余弦退火算法衰減學習率，使用Kaiming 正態分布初始化卷積層權重。網絡模型訓練流程如圖7 所示。

圖7 模型訓練流程Fig.7 Model training process

2.4 試驗分析

在進行性能分析和對比試驗前，對構建的模型進行超參數優化，確定最優的超參數組合。使用不同的初始學習率和批次大小訓練模型并比較模型的訓練效果，結果表明：當初始學習率設定為0.000 1、批次大小設定為32 時模型訓練效果最好；當模型迭代次數達到250 次時所有條件下模型均可完全收斂。因此，在對模型進行訓練時，針對不同的方案和模型設置相同的優化算法、迭代次數、學習率和批次大小，并使用相同的均方誤差損失函數；其中初始學習率設定為0.000 1，批次大小設定為32，迭代次數設定為250 次。

2.4.1 消融試驗

為了研究不同改進方案對優化模型性能的影響，本文從卷積核大小、LRN 層取舍、BN 層設置3 個角度提出了對經典AlexNet 模型的改進方案，同時本文設置了5 種試驗方案進行性能分析，各試驗方案具體設置和試驗結果如表1 所示。

表1 試驗方案與試驗結果Table 1 Experiment schemes and experiment results

各試驗方案訓練集前100 輪的損失曲線如圖8 所示。

圖8 各試驗方案訓練集前100 輪的損失曲線Fig.8 Loss curve for the first 100 rounds of training set for each experiment scheme

由表1 可知，方案1 為經典AlexNet 模型結構，方案2 在方案1 的基礎上用7×7 和3×3 尺寸的卷積核代替11×11 和5×5 尺寸的卷積核，其參數量減少為45.223×106，浮點運算量減少為0.900×109，而歸一化平均誤差的均值和失敗率無明顯改變，說明減小卷積核尺寸可在不影響模型檢測效果的基礎上簡化模型。方案3 在方案1的基礎上去除LRN 層，去除LRN 層后，對模型各方面影響較小，說明LRN 層的優化效果不明顯，故可去除。方案4 在方案1 的基礎上去除LRN 層，并添加批量歸一化層，其歸一化平均誤差的均值減小為0.009 6，失敗率F0.02和F0.03分別減小為2.36%和0.97%，但方案4 的參數量和浮點計算量略有增加，這是由于BN 層進行了歸一化計算造成的。方案5 在方案1 的基礎上綜合了3 種改進方案，結果表明，其參數量減少為45.224×106，浮點運算量減少為0.906×109，失敗率F0.02和F0.03分別減小為2.50%和0.83%，由圖8 可知，方案5 的模型收斂速度優于其他方案，說明方案5 在模型大小、計算量、檢測效果方面均優于原始模型。

綜上所述，本文提出的對經典AlexNet 模型的改進方案均對特征點檢測效果的提高產生了效果，其中方案5 在模型大小、計算量、檢測效果方面呈現出了較好的改善效果，其歸一化平均誤差的均值僅為0.009 9，失敗率F0.02和F0.03為2.50%和0.83%，因此本文將方案5 作為最終改進方案。

2.4.2 不同模型對比試驗

采用VGG16 模型和MobileNetV2 模型開展對比試驗。其中VGG16 模型[21]是一種經典的卷積神經網絡模型，在圖像識別領域受到了廣泛的應用[27-28]；MobileNetV2模型是一種輕量化的卷積神經網絡模型，使用了深度可分離卷積來減少參數量和計算量，加強了特征表征能力，準確率更高，模型更小[29]。

在相同的試驗環境下，每種模型均使用相同的均方誤差損失函數，并調整模型最后一層的參數使之能輸出40 個坐標值。試驗時使用同一數據集對不同模型進行訓練和測試，3 種模型的初始學習率和批次大小為0.000 1、32，迭代次數為250 次。對比試驗結果如表2 所示。

表2 不同模型的測試結果Table 2 Test results of different models

由表2 可知，改進AlexNet 模型的參數量為45.224×106，浮點計算量為0.906×109，均優于VGG16 模型，在測試集上歸一化平均誤差的均值也小于VGG16 模型，對特征點的檢測更準確。與輕量化網絡MobileNetV2相比，改進AlexNet 模型的參數量和浮點計算量雖然比較大，但歸一化平均誤差的均值明顯小于輕量化網絡MobileNetV2 模型，并且平均檢測時間也無明顯差距。從失敗率的角度比較，改進AlexNet 模型的F0.02和F0.03小于其他2 種模型。

綜上所述，改進AlexNet 模型在保證了特征點檢測準確度的基礎上，同時保證了時效性，有利于實現模型在實際場景中的應用。

2.4.3 不同種類淡水魚的特征點檢測結果

使用包含5 種淡水魚的特征點檢測數據集對改進AlexNet 模型進行訓練，并用包含單一種類淡水魚的測試集對模型進行測試，不同種類淡水魚特征點檢測的歸一化平均誤差和失敗率如表3 所示。

表3 不同種類淡水魚特征點檢測結果Table 3 Detection results of feature points of different species of freshwater fish

由表3 可知，改進AlexNet 模型對5 種淡水魚特征點檢測準確度都較高，測試集歸一化平均誤差的均值均不高于0.011 4；從失敗率角度看，5 種淡水魚的失敗率F0.02均小于5%，F0.03均小于3%。這說明改進AlexNet模型對5 種淡水魚的特征點檢測具有較好結果，改進AlexNet 模型對不同種類淡水魚特征點檢測具有較好適應性。

為了表征淡水魚特征點檢測效果，將改進AlexNet網絡模型預測的特征點結果與標記的真實點繪制在圖像中，則5 種淡水魚檢測效果如圖9 所示。

圖9 5 種淡水魚數據集訓練改進模型的檢測結果Fig.9 Detection results of training improved model on data set of 5 freshwater fish species

由圖9 可知，本文構建的改進AlexNet 模型對5 種淡水魚特征點的檢測都比較準確，預測點和真實點的擬合程度較好。進一步分析發現，魚體頭部和背部特征點檢測結果最好，而魚體腹部和尾部的預測點與真實點的偏差較大。這是因為魚體腹部顏色較淺，特征不明顯，特征提取較為困難，因此造成了特征點的偏差；而魚尾柔軟易擺動使得圖像采集時部分魚尾的姿態發生變化，這對神經網絡模型的訓練和最終的檢測效果產生了一定的影響。

綜上所述，改進AlexNet 模型可用于5 中淡水魚魚體特征點檢測，且檢測準確率高，速度快。

3 基于Fisher 判別分析的淡水魚種類識別方法

前述魚體圖像中設定的特征點根據魚體的外形特征進行標記，不能直接表征魚體的形態特征并對淡水魚種類進行識別。因此，論文在前述魚體特征點檢測的基礎上，提取魚體形態特征值構建魚體特征向量，結合判別分析對淡水魚種類識別方法進行研究。

3.1 基于特征點的淡水魚形態特征值提取及特征向量構建

魚體的特征點分布于淡水魚的外形輪廓及體表特定部位，特征點兩兩之間的歐式距離可以表征魚體的大小及形態特征，本文以魚體特征點1 與18 之間的歐式距離表征魚體體長，以魚體表面每兩個特征點之間的歐式距離與魚體體長的比值作為形態特征值，則單條淡水魚體表20 個特征點可以得到190 個特征值。淡水魚表面特征點間距離示意圖如圖10 所示。

圖10 淡水魚特征點與特征點間距離示意圖Fig.10 Schematic diagram of the distances between feature points and feature points in freshwater fish

如圖10 所示，假定淡水魚圖像左上角的坐標為(0,0)，則魚體圖像上第p個特征點(xp,yp)與第q個特征點(xq,yq)之間的歐式距離為

式中p、q為特征點編號，p、q=1, 2, …, 20，且p＜q。

特征點1 與18 之間的歐式距離為

淡水魚特征值可表示為

故可構建單條淡水魚的魚體特征向量

則向量V為190 維列向量。

3.2 基于Fisher 判別分析的淡水魚分類方法

Fisher 判別分析法是一種線性有監督分類技術，對樣本的分布無任何要求，可以將樣本向低維空間投影，使得樣本集中的各個類在低維特征空間中形成若干個聚合的可分離的子集，通過計算待測樣本到各類中心的距離，從而完成分類。本文在前述魚體特征向量構建的基礎上，利用Fisher 判別分析構建模型對淡水魚種類進行識別。

從淡水魚圖像數據集中隨機選取5 種淡水魚圖像各140 張構建Fisher 判別分析模型的樣本集，每類淡水魚圖像中，40 張作為訓練樣本，其余作為測試樣本。

樣本類別數N=5，訓練樣本總數m=200，第i類訓練樣本的數量mi=40，i= 1, 2, …, 5。根據訓練樣本集中淡水魚的特征點坐標構造每個魚體樣本的特征向量，設置訓練樣本種類標簽，構建Fisher 判別分析模型訓練樣本集D，則：

式中i= 1, 2, …, 5；j= 1, 2, …, 40；Vij為第i類樣本集中第j個樣本的特征向量；yij為第i類樣本集中第j個樣本的種類標簽，yij= 1, 2, …, 5。

第i個類別樣本的均值向量 μi和所有樣本的均值向量 μ的計算式如下：

式中i= 1, 2, …, 5；為第i個類別樣本中40 個樣本的特征向量中指定位置特征值的平均值。

每個類別的類內散度矩陣之和SW與類間離散度矩陣SB的計算式為

則Fisher 準則函數為

式中tr（）表示矩陣的跡。

根據Fisher 判別分析的基本原理，求使準則函數JF(W)達到最大時的解W，即求廣義特征值問題：

則W的閉式解是的k個最大非零廣義特征值對應的特征向量組成的矩陣，且k≤N—1，故最多有4 個特征向量。

將W視為一個投影矩陣，將樣本向4 維空間投影，即將訓練樣本降維，則每個維度的貢獻率如表4 所示。

表4 各維度貢獻率Table 4 Contribution rate of each dimension

根據表4 可知，前3 個維度的累計貢獻率已達到了98.522%，綜合考慮累計貢獻率和高維度帶來的計算量的增加，選擇的前3 個最大非零廣義特征值對應的特征向量組成W矩陣，因此確定了最佳投影方向。

Fisher 線性判別函數為：

即：

式中Y=[Y1,Y2,Y3] ，表示將樣本向W矩陣表示的方向投影后的向量，也即訓練樣本降維后的向量。

將訓練樣本集中的所有樣本向W矩陣表示的方向投影，得到所有樣本投影后的向量。將投影后的向量視為三維空間的點，繪制投影結果在三維空間的分布，如圖11所示。

圖11 訓練樣本投影結果可視化Fig.11 Visualization of training samples projection results

在圖11 中，異類樣本點之間界限明顯，同類樣本點分布集中，這說明樣本在三維空間容易區分。

對于待測樣本，計算樣本的特征向量Vt，分別計算Vt到每個種類樣本均值的馬氏距離，其中最小距離對應的類別即為待測樣本的預測類別。Vt到第i類樣本的馬氏距離dt的計算式如下：

式中 μi為第i類樣本的均值向量；為第i類樣本的協方差矩陣。

3.3 基于特征點的淡水魚種類識別方法驗證

取Fisher 判別分析模型樣本集中的測試樣本，采用改進AlexNet 模型檢測測試樣本的特征點構建魚體特征向量，再使用Fisher 判別分析對淡水魚種類進行檢測。為驗證本文特征提取方法對不同分類方法的適用性，同時使用貝葉斯判別法[30]進行淡水魚種類識別檢測試驗，并比較2 種方法的檢測準確率及平均識別時間t，試驗結果如表5 所示。

表5 淡水魚種類識別試驗結果Table 5 Test results of freshwater fish species identification

由表5 可知，基于魚體特征點，采用Fisher 判別分析法對5 種淡水魚進行識別的平均準確率為98.0%，單張圖像的平均識別時間為0.368 s；采用貝葉斯判別法對5 種淡水魚進行識別的平均準確率為96.4%，略低于Fisher 判別分析法，單張圖像的平均識別時間為0.404 s，略高于Fisher 判別分析法。試驗結果表明，使用改進AlexNet 模型檢測魚體特征點并提取魚體特征向量可用于淡水魚的分類檢測；基于特征點構建的魚體形態特征向量適用于不同的分類檢測方法，其中使用Fisher 判別分析法進行分類的準確率更高，并具有較好的時效性。

4 結 論

1）本文提出了一種基于特征點檢測的淡水魚種類識別方法，該方法首先利用卷積神經網絡獲取魚體特征點，再使用特征點信息結合Fisher 判別分析法對淡水魚種類進行識別。

2）在經典AlexNet 模型的基礎上，通過改變卷積核尺寸、去除局部響應歸一化、加入批量歸一化、更換損失函數構建了改進AlexNet 模型。使用改進AlexNet 模型進行特征點檢測，其歸一化平均誤差的均值為0.009 9，閾值取0.02 和0.03 時的失敗率分別為2.50%和0.83%，優于經典AlexNet 模型，且對5 種淡水魚的檢測效果均較好。將改進AlexNet 模型與其他特征提取網絡對比，歸一化平均誤差的均值和失敗率均小于VGG16 模型和輕量化網絡MobileNetV2 模型。

3）根據魚體表面特征點提取魚體形態特征值構建魚體特征向量，采用Fisher 判別分析進行淡水魚種類識別，對5 種淡水魚種類的識別準確率達到98.0%，單張魚體圖像的平均檢測時間為0.368 s，具有較好的實時性。

本研究提出了基于改進AlexNet 模型的淡水魚特征點檢測方法，并通過魚體特征點構建魚體特征向量實現對淡水魚的種類識別；同時該研究方法也可用于其他淡水魚種類識別、魚體特征參數檢測及魚體分割加工裝置研究等方面。