深度学习在鱼类图像识别与分类中的应用
基于人工智能的鱼类行为识别研究综述
基于人工智能的鱼类行为识别研究综述基于人工智能的鱼类行为识别研究综述随着人工智能（Artificial Intelligence, ）技术的不断发展，它在各个领域都展现出了巨大的潜力，其中包括动物行为研究领域。
鱼类行为识别作为一种重要的研究方向，利用人工智能技术帮助实现精准的鱼类行为分析和分类，已经在科学研究、水产养殖、环境监测等领域得到广泛应用。
本文将对基于人工智能的鱼类行为识别研究进行综述，介绍相关的方法和应用，并展望未来的发展方向。
一、鱼类行为识别方法1. 传统方法传统的鱼类行为识别方法主要基于图像处理和特征提取技术，通过对鱼类的动作、轨迹和外貌等特征进行分析和提取，最终实现对鱼类行为进行分类。
这些方法通常需要大量的人工参与，且效率较低，无法应对大规模数据的处理需求。
2. 机器学习方法机器学习方法在鱼类行为识别中得到了广泛的应用。
其中，支持向量机、随机森林和卷积神经网络等常用的机器学习算法被广泛引入鱼类行为识别中。
这些方法能够通过对大量已知的鱼类行为数据进行训练，建立模型并预测未知样本的类别，实现对鱼类行为的自动识别。
3. 深度学习方法深度学习方法是近年来鱼类行为识别研究中的热点。
深度学习模型可以自动学习鱼类行为的特征表示和分类规则。
常用的深度学习模型包括卷积神经网络（Convolutional Neural Network, CNN）和循环神经网络（Recurrent Neural Network,RNN）等。
这些模型能够充分挖掘鱼类行为的时空信息，实现对鱼类行为的准确识别。
二、鱼类行为识别应用1. 科学研究鱼类行为的识别研究对于了解鱼类的生态习性、迁徙规律等具有重要意义。
人工智能技术的应用使得科学研究者能够更方便地对鱼类行为进行观察和分析，提高研究效率和准确性。
2. 水产养殖水产养殖中，对鱼类行为的识别研究可以帮助养殖管理者更好地掌握鱼类的生长状态和健康状况。
通过识别鱼类的觅食行为、逃避行为等，养殖人员可以及时采取措施，保障养殖效果和鱼类的福利。
基于深度学习的海洋生物图像识别与分类
基于深度学习的海洋生物图像识别与分类海洋生物的多样性和复杂性给其研究和保护带来了挑战。
在过去的几十年中，深度学习技术取得了巨大的发展，为海洋生物研究提供了新的机会和解决方案。
基于深度学习的海洋生物图像识别与分类技术在近年来得到了广泛应用并取得了显著进展。
海洋生物图像识别与分类是指利用图像处理和深度学习技术，通过对海洋生物图像进行分析和学习，进而实现对不同海洋生物物种的自动识别与分类。
传统的图像识别与分类方法往往依赖于手工设计的特征提取算法，但在处理复杂多变的海洋生物图像时效果不佳。
而基于深度学习的方法通过学习图像中的抽象特征，能够更好地处理复杂情况下的海洋生物图像识别与分类任务。
深度学习模型中最常用的架构是卷积神经网络（Convolutional Neural Network, CNN）。
CNN通过多层卷积和池化操作，将输入图像转化为具有高层次语义信息的特征图，然后通过全连接层进行分类。
对海洋生物图像进行训练时，可以使用已标注的大量图像数据集进行监督学习，让神经网络通过多次迭代优化，逐渐提高对不同生物物种的区分能力。
在海洋生物图像识别与分类领域，研究人员遇到的挑战之一是数据集的获取和标注。
由于海洋生物的分布范围广泛、数量庞大，采集、整理和标注大量的高质量图像数据是一项巨大的工作。
为了克服这一难题，研究人员通常借助众包平台，通过对志愿者进行培训和监督，共同完成数据集的构建和标注工作。
除了标准的CNN模型外，研究人员还提出了一些改进的深度学习方法，用于进一步提高海洋生物图像识别与分类的性能。
例如，使用迁移学习（Transfer Learning）可以将在其他任务上训练得到的模型参数作为初始化，加快模型的收敛速度；使用生成对抗网络（Generative Adversarial Networks, GANs）可以生成合成图像，从而增加数据的多样性，提高模型的泛化能力。
在实际应用中，基于深度学习的海洋生物图像识别与分类技术已经得到了广泛的应用。
深度学习在图像识别中的应用与优势
深度学习在图像识别中的应用与优势随着科技的快速发展，人工智能（AI）领域的研究和应用也变得越来越广泛。
其中，深度学习作为机器学习的一个重要分支，正在引领图像识别技术的革新。
本文将探讨深度学习在图像识别中的应用与优势。
深度学习是一种模仿人脑神经网络结构的机器学习方法。
其最重要的特点是能够通过学习大量样本数据，从而自动学习有用的特征表示。
在图像识别领域，深度学习模型通过多层的神经网络来学习输入图像的特征，然后使用这些特征进行分类、识别或其他任务。
深度学习在图像识别中的应用十分广泛。
首先，深度学习可以用于物体识别。
通过训练深度学习网络，可以实现对图像中的物体进行准确的识别和分类。
例如，现在的智能手机相机可以自动识别拍摄场景，然后对图像中的物体进行分类和标注。
此外，深度学习还可用于人脸识别。
人脸识别技术通过分析人脸图像中的特征点和纹理信息，能够可靠地识别和区分不同的个体。
深度学习在这个领域的应用，使得人脸识别系统在准确性和鲁棒性方面取得了重大突破。
现在，人脸识别已经广泛应用于手机解锁、安全监控等场景。
另外，深度学习还可以用于图像分割和语义分析等任务。
图像分割是将图像分成若干个区域，每个区域内具有相似的特征。
通过深度学习模型，可以实现对图像中不同区域的准确分割，从而实现图像内容的理解和解释。
语义分析则是根据图像中的内容，推断出图像所表达的语义信息。
深度学习模型可以自动学习图像中不同物体的特征和上下文关系，从而对图像进行语义分析和理解。
深度学习在图像识别中的应用具有许多优势。
首先，相对于传统的机器学习方法，深度学习不需要手动提取特征。
传统方法通常需要人工选择和设计一些特征，而这个过程往往非常复杂和耗时。
而深度学习通过自动学习特征表示，减轻了人工特征提取的负担，提高了图像识别的准确性和效率。
其次，深度学习可以更好地处理大规模数据。
随着互联网的发展，图像数据量呈指数级增长。
深度学习模型由于其强大的表达能力和大规模并行计算的能力，能够处理海量的图像数据，并从中学习到有用的特征表示。
深度学习在鱼类图像识别与分类中的应用
捕 捞活动 ， 并运用机器学 习技术来对渔船捕获的鱼类图像进行 自 动 预测鱼 的分类的糅合模型。 因为这两种预测 网络在卷积层共 同训练 的识别与分类从而扼制非法 的捕捞 。
一
套滤波器 ， 所 以在训练滤 波器预测鱼的坐标位置时 ， 训练 完成 的
目 前计算机性 能的飞速发展、 图像数据采集设备 的廉价与普及 滤波器便能在另一方面辅助 预测鱼 的分类 ， 使特征提取只专注于鱼 这样就有效 的排 除了背景干扰 。 实验 结果 显示 此模 型 促进 了机器学 习理论与方法 的发展 ， 数据科学家 已经可 以构建复杂 的坐标 区域 ， 的机器 学习模型并利用从廉 价的数码摄像头设备采集 到大量 的数 具有很高的识别精度和鲁棒 陛， 能在背景干扰很强的图片数据集上
应 用 研 究
ｌ
斗 甲 Ｉ 字 技 术 稚
深度学 习在鱼类图像识别与分类中的应用
林 明 旺
（ 湖 南科技 大学 信息与电气工程 学院， 湖南湘潭 ４ １ １ ２ ０ １ ）
摘要： 各 国已经开始利 用摄像 头来监控 渔船 的捕捞活动， 并运用机 器学习技术来对渔船捕获 的鱼类 图像进行 自动 的识 别与分类从而扼 制 非法的捕捞 。 目前非 法、 无序的渔业捕捞 严重威胁 海 洋生 态环境 和全球 的海产品的 可持 续供 应 。 为 了准确 的对采集 的图像 进行分 类， 利 用机 器学习技 术， 设计 了一种基于卷积神 经网络 的鱼类 图像分类 系统 。 利用该模型对鱼类进行分 类， 分 类准确 率达到 了９ ６ ． ９ ９ ％， 实现 了
在参数 里指定输 出尺寸大小 以及激活函数 。 Ｂａ ｔ ｃ ｈ Ｎｏ ｒ ｍａ ｌ ｉ ｚ ａ ｉ ｔ ｏ ｎ 法 实现 ， Ｄ ｒ ｏ ｐ ｏ ｕ ｔ ｇ ￣ 法需指定一个参数表示含弃激活 曾神经元 的值
深度学习算法在水下目标识别与追踪中的应用研究进展
深度学习算法在水下目标识别与追踪中的应用研究进展深度学习算法在水下目标识别与追踪中的应用研究近年来取得了显著的进展。
水下目标识别与追踪是水下机器人、水下智能装备和水下生物研究等领域的关键技术，具有重要的科学研究和应用价值。
深度学习算法具有强大的特征学习和模式识别能力，在水下目标识别与追踪中发挥着重要作用。
一、深度学习算法在水下目标识别中的应用1. 图像识别深度学习算法中的卷积神经网络（CNN）被广泛应用于水下目标识别中。
通过大量的训练数据和网络层次结构的优化，CNN能够有效地学习出物体的纹理、形状、颜色等特征，从而实现对水下图像中目标的自动识别。
例如，在水下机器人自主控制中，深度学习算法可以实现对水下障碍物的识别，从而使机器人能够自主规避障碍物，提高水下作业的安全性和可靠性。
2. 目标检测目标检测是水下目标识别的核心任务之一。
深度学习算法中的目标检测模型可以通过识别水下图像中的目标位置和边界框来实现目标检测。
例如，YOLO（You Only Look Once）算法通过在图像中划分网格，并利用CNN网络对每个网格进行预测，实现对水下目标的快速检测和定位。
此外，基于深度学习的目标检测算法还可以通过融合多种传感器信息（如声纳、激光雷达等）来提高识别的准确性和鲁棒性。
3. 目标跟踪深度学习算法在水下目标追踪中的应用主要包括单目标跟踪和多目标跟踪。
在单目标跟踪中，深度学习算法通过学习目标的外观特征和运动模式，实现对水下目标的实时追踪。
在多目标跟踪中，深度学习算法可以学习不同目标之间的关联性和相似性，实现对水下多目标的同时追踪。
例如，基于深度学习的卡尔曼滤波算法可以通过融合卷积神经网络和卡尔曼滤波器，实现对水下目标的准确追踪和定位。
二、深度学习算法在水下目标识别与追踪中的挑战尽管深度学习算法在水下目标识别与追踪中取得了一定的研究进展，但仍面临以下挑战：1. 数据集稀缺相对于陆地环境，水下环境的数据集相对稀缺。
深度学习算法在智慧渔业资源调查和预测中的应用案例分析
深度学习算法在智慧渔业资源调查和预测中的应用案例分析深度学习算法在智慧渔业资源调查和预测中的应用案例分析引言：随着科技的进步和人工智能的发展，深度学习算法逐渐应用于各个领域。
智慧渔业作为传统渔业的升级版，利用先进的传感技术、数据分析和优化算法，提高了渔业的生产效率和资源利用率。
本文将结合实际案例，探讨深度学习算法在智慧渔业资源调查和预测中的应用。
一、背景介绍智慧渔业是指利用现代科技手段对渔业进行智能化和自动化的管理和监控。
深度学习算法作为人工智能领域的热门技术，通过大规模的数据训练和模型优化，能够提取隐藏在海洋数据中的规律和特征。
在智慧渔业中，深度学习算法可以应用于资源调查和预测，帮助渔民了解渔场的生态环境、鱼类种类、数量和分布等信息，提高渔业的生产效果和管理水平。
二、深度学习在智慧渔业资源调查中的应用案例分析1. 水质分析深度学习算法可以通过处理多源传感器数据，快速准确地分析水质。
以某海域为例，利用深度学习算法对浮游植物、浮游动物、溶解氧、水温、盐度等各项指标进行感知和预测，辅助渔民判断是否适合放置养殖网箱，并提高水质监测的效率和准确性。
2. 渔场资源调查深度学习算法可以通过处理海风数据、海流数据和浮标数据等信息，推测不同海区的种植基地适宜度。
通过分析历史的鱼类分布数据、气象数据和海洋环境数据，深度学习算法能够预测未来几天的鱼类分布情况，帮助渔民选择最佳的捕捞位置和时间，提高渔业资源利用率和捕捞效益。
3. 捕捞量预测深度学习算法可以通过处理渔船的船载传感器数据、气象数据和海洋环境数据，预测出渔船在不同海域的捕捞量。
通过深度学习算法的学习和优化，渔船能够根据实时数据调整捕捞策略，从而提高捕捞效率和资源利用率。
三、案例分析：以某智慧渔业项目为例，该项目中，深度学习算法应用于智能化渔船和养殖网箱的资源调查和预测。
通过对养殖网箱的水质、鱼群分布和饲料投放量等参数进行监测，深度学习算法可以在一定程度上自动化地进行资源调查，辅助渔民做出决策。
基于深度学习的鱼类特征点检测与体征识别方法
基于深度学习的鱼类特征点检测与体征识别方法目录一、内容描述 (2)1.1 背景介绍 (2)1.2 研究目的与意义 (4)1.3 文献综述 (4)二、相关工作 (5)2.1 深度学习在鱼类特征点检测中的应用 (6)2.2 鱼类体征识别方法的研究进展 (8)三、基于深度学习的鱼类特征点检测方法 (9)3.1 特征点提取网络设计 (10)3.2 特征点匹配与识别 (12)四、基于深度学习的鱼类体征识别方法 (13)4.1 体征提取与分类 (14)4.2 实时性与鲁棒性分析 (15)五、实验设计与结果分析 (16)5.1 实验环境与参数设置 (17)5.2 实验结果展示 (18)5.3 结果分析与讨论 (19)六、总结与展望 (20)6.1 主要工作与创新点 (21)6.2 研究局限与未来工作展望 (23)一、内容描述本文提出了一种基于深度学习的鱼类特征点检测与体征识别方法，旨在通过计算机视觉技术对鱼类进行自动、准确和快速的识别。
随着人工智能和机器学习技术的不断发展，鱼类特征点检测与体征识别在渔业养殖、海洋生物研究以及水生野生动物保护等领域具有广泛的应用前景。
为实现高效、准确的鱼类特征点检测与体征识别，本文首先对鱼类图像进行了预处理，包括去噪、增强和归一化等操作，以提高后续算法的稳定性和准确性。
利用深度学习技术，如卷积神经网络（CNN）和循环神经网络（RNN），对预处理后的鱼类图像进行特征提取和分类识别。
本文所提出的方法在多个数据集上进行了实验验证，取得了较高的识别准确率和召回率。
我们还对方法的可解释性进行了分析，以便更好地理解模型的工作原理和识别过程。
本研究为鱼类特征点检测与体征识别领域提供了一种新的、有效的解决方案，有望为相关领域的研究和应用提供有益的参考。
1.1 背景介绍随着科技的不断发展，人工智能已经在许多领域展现出了强大的应用潜力，其中深度学习更是成为了推动科技进步的重要力量。
在海洋生物研究与保护、渔业资源管理和水生生态监测等领域，鱼类特征点检测与体征识别具有十分重要的作用。
深度学习技术在图像识别中的应用
深度学习技术在图像识别中的应用随着科技的不断发展，人工智能技术的应用正越来越广泛。
其中，深度学习技术作为一种基于人工神经网络的机器学习方法，广泛应用于图像识别领域，如人脸识别、图像分类、目标检测以及图像自动生成等方面。
本文将探讨深度学习技术在图像识别中的应用，包括其在实际应用中的优势和挑战。
1.深度学习技术简介深度学习技术是一种基于神经网络的机器学习方法，其主要通过多层神经元计算来实现对数据的自主分类和识别。
这种方法的主要特点是能够针对海量数据进行有效处理，提高数据处理的准确性和效率。
目前，深度学习技术在图像分类、目标检测、人脸识别等领域的应用已经得到广泛关注。
2.深度学习在图像分类中的应用图像分类是指对图像进行标注，根据不同的特征将图像分为不同的类别。
在图像分类中，深度学习技术通常采用卷积神经网络（Convolutional Neural Networks, CNN）进行图像特征的提取和学习。
通常，卷积神经网络由若干个卷积层、池化层和全连接层组成。
通过卷积层对图像进行特征提取，通过池化层对特征进行压缩，最终通过全连接层进行分类。
这种方法可以有效地减少参数量，提高计算效率和准确性。
目前，CNN已被广泛应用于各种图像识别任务，如物体识别、图像分类、手写数字识别等。
3.深度学习在目标检测中的应用目标检测是指在图像中自动搜索并标记出感兴趣的目标。
与图像分类不同的是，目标检测还需要识别出目标所在的位置。
在目标检测中，深度学习技术通常采用区域卷积神经网络（Regional Convolutional Neural Networks, R-CNN）和快速区域卷积神经网络（Fast R-CNN）等方法进行处理。
R-CNN方法先利用Selective Search等方法来产生候选框，然后在每个候选框中提取特征，最后通过已训练好的分类器进行目标识别。
Fast R-CNN则是在R-CNN的基础上进行了优化，将特征提取和分类器训练合并为一个过程进行，从而提高了检测速度。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
深度学习在鱼类图像识别与分类中的应用作者：林明旺来源：《数字技术与应用》2017年第04期摘要：各国已经开始利用摄像头来监控渔船的捕捞活动，并运用机器学习技术来对渔船捕获的鱼类图像进行自动的识别与分类从而扼制非法的捕捞。
目前非法、无序的渔业捕捞严重威胁海洋生态环境和全球的海产品的可持续供应。
为了准确的对采集的图像进行分类，利用机器学习技术，设计了一种基于卷积神经网络的鱼类图像分类系统。
利用该模型对鱼类进行分类，分类准确率达到了96.99%，实现了预期目标。
关键词：卷积神经网络；反向传播算法；仿射变换；sloth；python；theano中图分类号：TP391.41 文献标识码：A 文章编号：1007-9416（2017）04-0096-02随着环保压力的增大，各国已经开始利用摄像头来监控渔船的捕捞活动，并运用机器学习技术来对渔船捕获的鱼类图像进行自动的识别与分类从而扼制非法的捕捞。
目前计算机性能的飞速发展、图像数据采集设备的廉价与普及促进了机器学习理论与方法的发展，数据科学家已经可以构建复杂的机器学习模型并利用从廉价的数码摄像头设备采集到大量的数据快速的训练模型。
吴一全等[1]采用了手动选择特征的方法，基于支持向量机对5种鱼进行识别，各类鱼的识别精度平均为83.33%。
万鹏等[2]计算鱼的长轴方向各段的平均宽度与长度的比值并将其作为特征参数，利用3层BP（back propagation）神经网络对鲫鱼和鲤鱼进行识别，识别精度为92.50%。
但是这些方法都是基于手动选择特征的机器学习方法，手动选择特征的方法基于人的经验选择特征，会导致遗漏重要的特征，导致分类准确率低。
深度学习中的卷积神经网络能在训练过程中自动学到“好”特征，避免了手动选择特征。
本次研究采用了基于VGG16的卷积神经网络（CNN）来进行鱼类分类，并运用了数据集扩增方法，dropout方法， batch normalization方法来降低模型的过拟合。
但是原始数据集背景干扰很大，船上的人、物体和甲板上捕获的鱼类糅合在一起，直接采用原始数据集训练会导致训练出的模型稳定性不好。
基于上述分析，本文从原始数据出发，设计了一种目标检测方法，即在原始训练数据已经有鱼类类别标签的基础上，再标注上一层表示鱼类在图片中坐标位置的标签，然后利用这些二次标注过的数据训练模型，就可得到一个既能预测鱼在图片中的坐标位置又能预测鱼的分类的糅合模型。
因为这两种预测网络在卷积层共同训练一套滤波器，所以在训练滤波器预测鱼的坐标位置时，训练完成的滤波器便能在另一方面辅助预测鱼的分类，使特征提取只专注于鱼的坐标区域，这样就有效的排除了背景干扰。
实验结果显示此模型具有很高的识别精度和鲁棒性，能在背景干扰很强的图片数据集上准确的完成鱼类的识别和分类。
1 模型构建实验数据来源于某组织举办的图像识别竞赛。
数据通过固定在渔船某个位置的摄像头采集，通过采集甲板上捕获的鱼类照片，共采集到3777张共8个分类的照片作为训练样本，分别为长鳍金枪鱼、大眼金枪鱼、黄鳍金枪鱼、鲯鳅鱼、月鱼、鲨鱼、其他、无鱼类（表示没有鱼出现在照片里）。
按一定比例做分层采样，其中2984张用作训练集，394张用作验证集，399张用作测试集。
训练集用经过错切幅度值为0.15的仿射变换作数据集扩增来降低过拟合，因为在从原始数据集上分层采样得来的小样本数据集上验证显示当错切幅度值等于0.15时，模型在测试集上的分类精度最高。
在训练集上采用sloth这款图片标注工具手动标注鱼类在图片中的位置，并把这些标注结果和已有的鱼类分类标注结果当做输入数据和图片数据一起传给模型训练。
本次研究的神经网络模型结构如图1所示。
卷积层采用了被广泛使用在图像分类任务中的VGG模型的卷积滤波器的权重[3]，并在其模型上作微调来实现本次研究的目标。
输入层将不同尺寸的图片统一转换成244*244大小。
汇合层（max pooling）是指取一小块像素区域的像素最大值，作用是可减少数据量，控制过拟合。
全连接层的权重采用反向传播算法（back propagation）训练，参数寻优采用随机梯度下降方法。
动态学习率设定方法采用了 Adam方法，可根据损失函数在迭代训练中产生的信息自动调整学习率。
激活层函数采用RELU方法，公式为。
最后一层预测鱼类分类的激活曾需要把对应于各个分类的分数值转换成总和为1的对应于各个分类的概率值，所以激活函数采用Softmax方法，公式如下由于卷积神经网络网络强大的表示能力，为了降低模型的过拟合以及加快模型的训练速度，本次工作在激活曾后面再依次加入一层dropout层和batch normalization层。
dropout层是指随机的舍弃一部分激活曾神经元的值，并将其置为0[4]。
batch normalization层是指规范化每层激活层的输出，并加入4个规范化参数来抑制模型训练过程中的反规范化现象[5]。
2 程序实现具体的软件实现采用python编程语言和keras框架平台。
keras底层采用轻量易用的theano 框架，并依赖计算机的显卡来进行更快速的训练工作。
整个图像分类的软件框架主要由4部分组成，分别是输入图像数据处理、模型各个网络层的实现及拼接、模型编译、模型训练及预测。
下面按数据在模型中流动的顺序具体的阐述各个部分的程序实现。
2.1 输入图像数据处理由于计算机显存的容量有限，不可能一次将所有的图像数据都输入显卡进行。
所以采用了生成器批量处理图片，即一次只取一定数量的图像进行训练，训练完后再调用生成器进行下一批次图像的训练，直到完成一轮图像数据的训练。
根据实验平台的计算性能和实际测试，当每一批次的图像数据为64张时，训练的速度达到最大值。
在图像数据进入卷积层进行训练前，需要调用数据集扩增函数来进行图像的仿射变换，通过小样本集测试发现当错切幅度范围为0.15时，训练产生的模型在测试集上的分类精度最高，所以取数据集扩增函数的参数shear_range=0.15。
这样就能使每轮图像数据都有微小且合乎常理的差异，降低模型的过拟合。
2.2 模型各个网络层的实现及拼接基于keras框架，首先需要调用Sequential类构造器初始化一个Sequential类，并通过add 方法依次添加网络层。
输入层需要对输入值进行规范化处理，所以通过调用BatchNormalization方法实现，输入层需在参数里指定输入图片数据的大小，即input_shape=（3，224，224）。
卷积层通过调用Convolution2D方法实现，需在参数里指定滤波器个数、大小以及激活函数。
全连接层通过调用dense方法实现，并在参数里指定输出尺寸大小以及激活函数。
Batch Normalization层、Dropout层依次通过调用BatchNormalization方法、Dropout 方法实现，Dropout方法需指定一个参数表示舍弃激活曾神经元的值的比例，实际实验验证显示当舍弃比例等于0.5时，模型在测试集上的分类性能最高。
2.3 模型编译及训练在用模型进行训练前，需要通过compile方法配置模型学习的过程，具体通过optimizers 参数指定学习率设定方法，本例为adam方法；通过loss参数指定损失函数，由于模型有2个输出，所以模型有2个损失函数，分别为'mse'对应鱼类坐标位置输出和'categorical_crossentropy'对应鱼类分类输出；通过metrics指定性能评估方法，本例为'accuracy'，即准确率。
然后再通过fit方法进行模型的训练。
3 实验结果实验结果显示，本次工作构建的模型在验证集上的识别准确率为97.97%，在测试集上为96.99%。
目前国内在鱼类分类领域，识别准确率较高的为吴一全等提出的基于SVM的方法[1]，在5种鱼类分类上取得了91.67%的识别准确率和万鹏等提出的基于3层BP神经网络的方法[3]，在4种鱼类分类上取得了92.50%的识别准确率。
本次工作在鱼类分类更多、图像背景干扰更大的情况下，仍然取得了更优异的识别性能。
4 结语本文构建了一个基于VGG16的卷积网络模型，并用数据集扩增方法、dropout方法和batch normalization 方法降低了过拟合；优秀的识别准确率结果显示此模型达到了预期目标。
参考文献[1]吴一全，殷骏，戴一冕，等.基于蜂群优化多核支持向量机的淡水鱼种类识别[J].农业工程学报，2014，（16）：312-319.[2]万鹏，潘海兵，龙长江，等.基于机器视觉技术淡水鱼品种在线识别装置设计[J].食品与机械，2012，28（6）：164-167.[3]Simonyan， K. and Zisserman， A. Very deep convolutional networks for large-scale image recognition[J]. arXiv preprint arXiv， 2014：1409.1556.[4]Krizhevsky， A.， Sutskever， I. and Hinton， G.E. Imagenet classification with deep convolutional neural networks[C]. In Advances in neural information processing.[5]Ioffe， Sergey， and Christian Szegedy. Batch normalization： Accelerating deep network training by reducing internal covariate shift[J]. arXiv ， 2015：1502.03167.。