[发明专利]一种基于改进CNN算法的鱼类图像识别方法

说明书

本发明属于图像识别技术领域，具体涉及一种基于改进CNN算法的鱼类图像识别方法，包括以下步骤，A1、设定卷积核的元素个数m，初始化加速常数c₁、c₂和惯性权重ω值，将元子位置X向量和原子速度V向量初始化为(0,1)之间的随机数；A2、对步骤A1中设定的m个卷积核的元素中的每一个元素，在卷积神经网络中进行计算，得到前向传播；A3、在步骤A2计算得到前向传播后，计算得到误差；A4、对步骤A3得到的误差值，若误差值达到误差阀值范围的极小值，停止。本发明针对目前常规的CNN神经网络用于鱼类图像识别时，在梯度下降的过程中，误差下降缓慢，使得网络的收敛速度变慢的问题，提出一种更有效的图像分类技术，以提高CNN算法的收敛速度，用于鱼类的图像识别。

技术领域

本发明属于图像识别技术领域，具体涉及一种基于改进CNN算法的鱼类图像识别方法。

背景技术

水库净水渔产业具有良好的生态环保效益、社会公共效益和产业经济效益。水库净水鱼与池塘养殖鱼相比，在水库中自由放养的鱼质量更佳、营养更高、口感更好，因此价格远高于池塘养殖鱼。但在鱼类市场上，存在水库净水鱼与养殖鱼混杂的现象，例如消费者花高价钱买来的却是池塘养殖鱼。因此，如何区分水库鱼和池塘鱼，成为了水库净水渔产业亟待解决的问题。

随着互联网技术的飞速发展，图像数据不仅数量呈指数级增长，形式也变得更加丰富多样，传统的识别方法已经不能满足人们的需求。基于鱼类识别技术的深度学习应运而生，通过模拟人脑，能够自动的学习和提取特征，充分发挥大数据的优势。将深度学习用于图像识别，提高图像的识别效率和准确率，具有一定的实践意义。

近年来，由人工神经网络(Artificial Neural Network,ANN)发展而来的深度学习(Deep Learning,DL)技术因其具有通过非线性变换从图像中提取特征以实现识别图像的能力，在图像识别领域得到了广泛的研究及应用。传统的目标检测主要是基于滑动窗口的区域选择策略，时间复杂度高，窗口冗余。手工设计的特征多样性变化，没有很好的鲁棒性。如何快速有效地对图像进行分类识别意义重大。

利用卷积神经网络(CNN)方法，会自动提取大量的图像特征，提高了鱼类图像识别。CNN采用了局部感知与权值共享的技术，网络层之间采用非全连接的结构，这样大大减少了权值的数量，提高了网络运算的效率。CNN包含卷积层和下采样层，两层交替运算，有效地将特征提取和分类过程融合在了一起，简化了一般模式识别研究中特征提取的步骤。CNN这种多层感知器的网络模型，有利于二维图像的识别，对于平移、比例缩放、倾斜或者其他形式变形的图像，也有很强的鲁棒性。

但CNN算法的基础之下需通过不断训练，调整参数，优化模型。其中最关键的一个步骤是分类器的训练，欲获得好的分类器，须先根据具体需求选取适当的模型，然后经过不断训练及迭代使模型的性能达到最优。而常规的CNN神经网络采用梯度下降算法，在反向传播调整网络连接权值的过程中，会出现误差下降缓慢或下降停滞的问题，使得网络的收敛速度受到影响，据分析，产生问题主要在以下两方面，(1)、在梯度下降过程中，误差下降缓慢，使得网络的收敛速度变慢，这是因为误差对权值的梯度变化小，有时接近于0；(2)、在梯度下降过程中还可能存在多个极小点，使网络容易陷入局部最小。这是由于误差曲面上可能存在多个梯度为0的点，大多数极小点都是局部极小。

鉴于以上分析，梯度下降算法虽然是主要的误差反传方法，但是运算复杂，运算效果受到学习率、数据集的分布等因素的影响，使得网络不能得到最优的训练。因此，提出一种更有效的图像分类技术，以提高CNN算法的收敛速度，用于鱼类图像识别中很有必要。

发明内容

本发明的目的是：针对目前常规的CNN神经网络用于鱼类图像识别时，在梯度下降的过程中，误差下降缓慢，使得网络的收敛速度变慢的问题，提出一种更有效的图像分类技术，以提高CNN算法的收敛速度，用于鱼类的图像识别。

为实现上述技术目的，本发明采用的技术方案如下：