توسعه الگوریتم یادگیری عمیق به منظور تشخیص و طبقه‌بندی هوشمند گونه‌های ماهی کپور

شناسایی گونه های ماهیان برای صنایع آبزی پروری و صید، مدیریت ذخایر پهنه های آبی و نظارت زیست محیطی آبزیان حیاتی می باشد. در این مطالعه، شبکه عصبی یادگیری عمیق به عنوان روشی غیرمخرب و برخط جهت تشخیص چهار گونه مهم و اقتصادی خانواده کپورماهیان شامل کپور معمولی، کپور علفخوار، کپور سرگنده و کپور نقره ای ایجاد و مورد استفاده قرار گرفت. به این منظور، ساختار شبکه پیش آموزش دیده vgg19 (visual geometry group19) توسط لایه های پولینگ، تماما متصل، نرمال سازی و رهاسازی بروزرسانی گردید. از 409 تصویر برای آموزش و ارزیابی مدل توسعه داده شده استفاده گردید. مقادیر میانگین دقت، صحت، حساسیت، اختصاصی بودن و سطح زیر منحنی به ازای هر کلاس به ترتیب برابر با 98.39، 96.87، 96.87، 98.96 و 97.92 درصد حاصل شد. سطح بالای دقت بدست آمده بدلیل توانایی مدل عمیق پیشنهادی در ساخت ویژگی های خودآموز سلسله مراتبی است که در تطابق با ویژگی های مورد استفاده در شناسایی ماهیان بود.

Deep Learning Algorithm Development for Intelligent Detection and Classification of Carp Species

ABSTRACT: Identifying fish species is critical for aquaculture and fishery industries, managing aquatic stocks and environmental monitoring of aquatics. In this study, deep learning neural network as a nondestructive and realtime approach was developed and used to identify four economically important species of carp family including common carp, grass carp, bighead carp and silver carp. For this purpose, the architecture of pretrained VGG19 (Visual Geometry Group19) was updated by pooling, fullyconnected, normalization and dropout layers. 409 images were used for training and evaluating the developed model. The mean value of accuracy, precision, sensitivity, specificity and AUC parameters was calculated as 98.39, 96.87, 96.87, 98.96, and 97.92%, respectively. The obtained high level of accuracy is due to the ability of the proposed deep model in constructing a hierarchy of selflearned features which was consistent with the hierarchy of fish identification keys.