Page 19 - 《水产学报》2025年第11期
P. 19

朱国平，等                                                                水产学报, 2025, 49(11): 119102


                                      表 1    传统特征提取在鱼类物种识别和种群判别中的应用
                  Tab. 1    Application of traditional feature extraction in fish species identification and population discrimination
                                  方法                      颜色特征      纹理特征        形状特征      局部特征点      文献
                                 methods                 color feature  textural feature  shape description  local feature  reference
               1. 颜色特征 Red-Green-Blue (RGB)                 √                                         [27]
               2. 颜色特征 Hue-Saturation-Value (HSV)
               1. 颜色特征 Hue-Saturation-Value (HSV)           √          √                              [28]
               2. 灰度直方图 Grayscale Histogram, GH
               3. 灰度共生矩阵 Gray Level Co-occurrence Matrices, GLCMs
               4. 小波变换 Wavelet Transform, WT
               1. 颜色特征 Hue-Saturation-Value (HSV)           √          √                              [30]
               2. 局部二进制模式 Local Binary Pattern, LBP
               1. 小波变换 Wavelet Transform, WT                                       √                  [36]
               2. 傅里叶变换 Elliptic Fourier Transform，EFT
               1. 梯度方向直方图 Histogram of Oriented Gradient, HOG                                 √       [37]
               1. 尺度不变特征转换 Scale Invariant Feature Transform, SIFT                            √       [31]
               1. 颜色特征                                      √          √                      √       [29]
               2. 局部二进制模式 Local Binary Patterns, LBP
               韦伯局部描述符 Weber's Local Descriptor, WLD
              注：“√”表示此研究提取了该列特征。
              Notes: "√" indicates that this study extracted the features of this column.

              神经网络可提取到大量有效且可用于分类的特                             基于图像数据，而图像数据可按照获取方式分
              征。此外，目前有研究针对缺乏数据下的应用                             为特定条件下拍摄与自然条件下拍摄；非深度
              情景提出新的神经网络学习策略，如迁移学习                             学习分类器更多地应用于前者，即基于传统的
                               [40]
              (Transfer Learning) 。许多研究者已将迁移学                  特征提取方法提取鱼类图片的诸如颜色、纹理、
              习这一学习策略应用于鱼类物种识别中 。迁                             轮廓等外形特征进行鱼类物种识别与种群判别。
                                                    [41]
              移学习利用相似数据上预先训练好的模型，由                                 Johnson  等 [43]  在智利脂鲤科   (Characidae) 的
              模型中提取权重和特征，再通过微调，从而有                             物种识别研究中，测量了鱼类的                14  种形态学测
              效地获得一个适用于类似数据集的模型。使用                             量指标，并应用        LDA  分类器实现了        5  种鱼类平
              预训练的网络可以减轻深度神经网络对大量的                             均  82.7%的正确率。相较于直接由鱼类样本通
                                          [42]
              训练数据和高计算能力的需求 。                                  过测量获取数据，使用鱼类图像进行鱼类物种
                                                               识别更加便捷，这是因为图像的保存相较于样
               2.3    分类器
                                                               本更加容易，且更易于数据共享。在                  Fouad  等 [31]
                   分类器的选择对于鱼类物种识别和种群判                          以及  Rodrigues等 [32]  的研究中，均选择提取图片
              别也尤其重要。在选择分类器时需要根据数据                             的  SIFT  特征，前者将    SIFT  特征与   SURF(Speeded
              样本的实际情况灵活选取。在鱼类物种识别和                             Up Robust Features，SURF) 特征结合使用，其
              种群判别中，研究者对于分类器运行的时间成                             中  SVM  分类器在慈鲷科        (Cichlidae) 鱼类上取得
              本以及空间成本关注较少，而更多地专注于分                             了平均   94.4%  的正确率，并指出，相较于             KNN，
              类器分类效果的优劣，这是因为现代计算机硬                             SVM  是更优的分类器，不同的              SVM  参数设置
              件发展的水平足以支撑基于机器学习的鱼类物                             会使判别效果差异较大；而后者使用                  KNN  分类
              种识别和种群判别。应用到鱼类物种识别和种                             器也取得了      92%  的平均正确率。除了图片数据
              群判别的分类器可按照是否属于深度学习简单                             之外，也有研究者使用电子鼻收集气味信息，
              划分为深度神经网络与非深度学习分类器两类。                            并通过    LDA、KNN、DT       以及贝叶斯分类器成
              以下就深度神经网络与非深度学习分类器在鱼                             功 以 平 均   95.7%  的 正 确 率 区 分 了 细 鳞 圆 鲹 、
              类物种识别与种群判别中的应用分别展开介绍。                            鳀和牙鳕，而该研究中决策树为效果最优的分
                                                                   [44]
                    非深度学习分类器  鱼类物种识别主要                         类器 。
              中国水产学会主办  sponsored by China Society of Fisheries                          https://www.china-fishery.cn
                                                            5
   14   15   16   17   18   19   20   21   22   23   24