Page 214 - 《水产学报》2025年第7期

曹正良，等 水产学报, 2025, 49(7): 079616

BN-ResNet18 召回率 recall of BN-ResNet18 3.2 模型比较
BN-ResNet18 F1 值 BN-ResNet18 F1 score
BN-ResNet18 精确率 precision of BN-ResNet18
1.0 为了验证实验中提出的方法，本研究对比
了相关模型在本数据集上的识别准确率。
0.8
结果表明，ResNet18 在准确率、内存占用和
百分比/% percentage 0.6 计算效率方面均显著优于传统 97.67%，较 和 VGG16。
CNN
的识别准确率达到
ResNet18
VGG16
0.4
(92.50%) 提升 5.17%，同时内存占用降低 78.9%，
0.2 运行时间缩短 33.7%，充分证明了残差连接机
制在复杂行为特征建模中的优越性。进一步引入
0
摄食 (类别 0) 移动 (类别 1) 打斗 (类别 2) BN 后，BN-ResNet18 的准确率提升至 99.00%，
feeding (Class 0) moving (Class 1) fighting (Class 2) 较原始 ResNet18 提高 1.33%，验证了 BN 层通
行为类别 过标准化激活值分布 [ 公式 (4)~(6)] 可有效缓解
behavior category
梯度消失问题，同时使损失波动范围缩小，训
图 9 BN-Resnet18 分类识别结果
练稳定性显著增强。在罗氏沼虾分类任务中，
Fig. 9 Classification recognition result of BN-Resnet18
BN-ResNet18 表现出显著的性能优势：在 14.0~

表 2 BN-ResNet18 识别结果 44.1 kHz 采样率范围内，分类准确率稳定在
Tab. 2 BN-ResNet18 running results 99%，同时内存占用最大减少 188.74 Mb，这一
采样率/kHz 步幅长度 内存占用/Mb 运行时间/s 分类准确率/% 结果验证了 BN 模块结合残差连接在深层网络
sampling length of memory run classification
frequency stride usage time accuracy 训练中的有效性。相比之下，BN-VGG16 由于
8.00 107 682.74 9.76 97.94 缺乏跳跃连接机制，在深层网络中容易出现梯
10.00 134 678.75 8.19 98.67
度衰减，导致模型在迭代 80 次后出现过拟合现
12.00 161 676.20 6.67 87.81
象。在相同数据集下，本实验模型与其他研究
14.00 188 674.14 5.83 99.00
中的网络模型 (表 3) 在识别分类任务中进行了
16.00 214 672.73 5.05 99.00
分类准确率比较，证明了 BN-ResNet18 在此分
22.05 295.00 673.64 3.64 99.00
类任务中的高准确性。然而研究还存在以下不
44.10 590.00 669.15 1.95 99.00
足，如在养殖区域存在环境变化、多目标噪声
究中，实验系统性地评估了不同采样率对模型 干扰以及虾体大小差异，需要进一步改进采样
性能的影响。结果显示，在 8 kHz 采样率下，
方法，如采用多区域高灵敏度水听器采集、设
模型的步幅长度为 107，内存占用达到 682.74
计虾类行为特征滤波器以增强微弱信号和构建
Mb，推理时间为 9.76 s，分类准确率为 97.94%。
动态环境噪声库等方法，从而提高模型识别
随着采样率提高至 10 kHz，分类准确率提升至
能力。
98.67%，同时推理时间显著缩短至 8.19 s。尽管
在 12 kHz 采样率下内存使用为 676.20 Mb，但
表 3 神经网络模型识别准确率比较
分类准确率显著下降至 87.81%，这可能与音频
特征的稀疏性有关。在 14 和 16 kHz 时，模型 Tab. 3 Comparison of recognition accuracy of
neural network models
达到 99% 的分类准确率，推理时间进一步减少
至 5.83 和 5.05 s，显示出更高采样率下的模型 模型 准确率/% 文献
model accuracy reference
表现更优越。随着采样率增加至 14.0~44.1 kHz， TAP-SEResNet 90.00 [16]
分类准确率继续保持 99%，推理时间进一步降 光流法+RNN 67.50 [5]
低至 3.64 和 1.95 s。这些结果表明，在一定的 Optical Flow +RNN
Mini-ImageNet+Resnet18 91.00 [17]
采样率范围内，即在中高采样频率段，BN-Res-
3D-CNN 80.00 [18]
Net18 模型可以实现最佳的分类性能与推理
效率。 BN-ResNet18 99.00 本文

https://www.china-fishery.cn 中国水产学会主办 sponsored by China Society of Fisheries
8