广东海洋大学论文封面

发布时间：2025年09月27日作者:aiycxz.cn

分类号：密级：UDC：编号：广东海洋大学硕士学位论文基于深度学习的鱼类识别与计数方法研究陈浩指导教师付东洋教授陈珂副教授申请学位类别工学硕士专业名称海洋技术论文提交日期 2019年5月28日论文答辩日期 2019年5月28日学位授予单位广东海洋大学答辩委员会主席评阅人2019年5月28日# 广东海洋大学## 学位论文原创性声明本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。作者签名： **陈浩** **年 5 月 28 日**---## 学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权广东海洋大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。本学位论文属于1、保密□，在______年解密后适用本授权书。2、不保密□。（请在以上相应方框内打“√”）作者签名： **陈浩** **年 5 月 28 日**导师签名： **年 5 月 28 日**# 基于深度学习的鱼类识别与计数方法研究## 摘要鱼类识别与计数是海洋渔业资源调查和海洋生态系统监测的重要环节，对于海洋渔业资源的合理开发、利用和保护具有重要意义。传统的人工识别与计数方法存在效率低、成本高等问题，难以满足现代渔业资源调查的需求。随着计算机视觉技术的发展，基于图像处理的鱼类识别与计数方法逐渐成为研究热点。然而，由于水下环境的复杂性，鱼类图像存在光照不均、遮挡、形变等问题，使得鱼类识别与计数仍然面临巨大挑战。近年来，深度学习技术在计算机视觉领域取得了显著进展，特别是卷积神经网络（CNN）在图像分类、目标检测等任务中表现出色。本文基于深度学习技术，对鱼类识别与计数方法进行了深入研究，主要工作和创新点如下：1. 针对鱼类识别任务，本文提出了一种基于改进 ResNet 的鱼类识别方法。首先，对原始 ResNet 模型进行改进，引入注意力机制和特征金字塔结构，增强模型对鱼类特征的提取能力。其次，采用数据增强技术扩充训练数据集，提高模型的泛化能力。在公开鱼类数据集上的实验结果表明，本文方法在鱼类识别任务中取得了较高的准确率。2. 针对鱼类计数任务，本文提出了一种基于密度估计的鱼类计数方法。该方法采用卷积神经网络学习鱼类图像的密度图，通过积分密度图得到鱼类数量。为了应对鱼类遮挡问题，本文设计了多尺度特征融合模块，充分利用不同尺度的特征信息。实验结果表明，本文方法在复杂场景下的鱼类计数任务中具有较高的准确性和鲁棒性。3. 本文将鱼类识别与计数任务相结合，提出了一种端到端的鱼类识别与计数框架。该框架首先利用改进的 ResNet 模型进行鱼类识别，然后根据识别结果采用相应的密度估计模型进行计数。通过联合训练，使识别和计数模型相互促进，提高整体性能。在真实水下鱼类图像上的实验验证了该框架的有效性。本文的研究为鱼类识别与计数提供了一种有效的解决方案，对于海洋渔业资源调查和生态系统监测具有重要的应用价值。**关键词：** 鱼类识别；鱼类计数；深度学习；卷积神经网络；密度估计---# Research on Fish Recognition and Counting Method Based on Deep Learning## AbstractFish recognition and counting are important links in marine fishery resources survey and marine ecosystem monitoring, which are of great significance for the rational development, utilization and protection of marine fishery resources. Traditional manual recognition and counting methods have problems such as low efficiency and high cost, which are difficult to meet the needs of modern fishery resources survey. With the development of computer vision technology, fish recognition and counting methods based on image processing have gradually become a research hotspot. However, due to the complexity of the underwater environment, fish images have problems such as uneven illumination, occlusion, and deformation, which make fish recognition and counting still face great challenges.In recent years, deep learning technology has made significant progress in the field of computer vision, especially convolutional neural networks (CNN) have performed well in tasks such as image classification and