馮裕清，楊信廷，徐大明，羅 娜，陳 楓，孫傳恒

(1 上海海洋大學(xué)信息學(xué)院，上海 201306；2 國(guó)家農(nóng)業(yè)信息化工程技術(shù)研究中心，北京 100097；3 農(nóng)產(chǎn)品質(zhì)量安全追溯技術(shù)及應(yīng)用國(guó)家工程實(shí)驗(yàn)室，北京 100097)

中華絨螯蟹(Eriocheirsinensis)又稱河蟹、大閘蟹，是中國(guó)主要的水產(chǎn)經(jīng)濟(jì)作物之一[1]。2019年全國(guó)大閘蟹的年產(chǎn)量達(dá)77萬(wàn)t，總產(chǎn)值逾越600億元[2]。江蘇是大閘蟹養(yǎng)殖主產(chǎn)地，產(chǎn)量約占全國(guó)的50%，特別是陽(yáng)澄湖大閘蟹，因其青殼白肚、肉味鮮美而聞名[3]，在餐飲市場(chǎng)中，單只陽(yáng)澄湖大閘蟹的價(jià)格在幾十乃至上百不等。大閘蟹作為水產(chǎn)商品商標(biāo)注冊(cè)過(guò)百件，品牌多、品牌雜[4]，并且物流銷售渠道錯(cuò)綜復(fù)雜，目前溯源方式難以快捷有效地追溯到個(gè)體，對(duì)消費(fèi)者食用安全以及供應(yīng)商品牌價(jià)值建立產(chǎn)生消極影響。

目前，企業(yè)的個(gè)體河蟹溯源方法主要是在河蟹蟹鉗上綁縛印有條形碼或者二維碼等標(biāo)識(shí)的蟹扣[5]，消費(fèi)者通過(guò)移動(dòng)終端設(shè)備掃描這些驗(yàn)證標(biāo)識(shí)獲取河蟹的產(chǎn)品信息[6]，這種方式對(duì)于個(gè)體河蟹，追溯成本高、環(huán)保性差，而且蟹扣存在被不良商家回收利用的情況。一些研究表明，河蟹形態(tài)的生長(zhǎng)會(huì)受到周圍環(huán)境影響，其背甲易留下形態(tài)各異的溝壑、凸起、紋理等特征[7-8]，因此可以從河蟹本身的形態(tài)特征進(jìn)行個(gè)體驗(yàn)證[9]。張炳良等[10]提出了一種基于河蟹背甲圖像與二維碼結(jié)合的雙重防偽驗(yàn)證模型，從河蟹本身的生物信息進(jìn)行驗(yàn)證，但是識(shí)別過(guò)程依靠人眼比對(duì)判斷，普通消費(fèi)者并不具備甄別能力。邰偉鵬等[11]使用SURF和FLANN算法[12]提取并匹配河蟹背甲的特征點(diǎn)，實(shí)現(xiàn)了河蟹個(gè)體的識(shí)別，結(jié)果表明河蟹個(gè)體背甲特征存在一定的差異性，但是該方法易受到光照不均、噪聲等外部條件的干擾，算法的魯棒性較差。因此，對(duì)于河蟹的個(gè)體識(shí)別需要一種更便捷、更可靠的認(rèn)證方式。

深度學(xué)習(xí)作為人工智能領(lǐng)域的一個(gè)重要分支，在計(jì)算機(jī)視覺、圖像處理和自然語(yǔ)言處理等方面展現(xiàn)出最先進(jìn)的性能[13]，它將原始數(shù)據(jù)作為算法的輸入，通過(guò)算法分層抽象將數(shù)據(jù)一層一層地抽象成為自身任務(wù)所需要的特征表示，整個(gè)過(guò)程不需要人為干預(yù)[14]。近年來(lái)深度學(xué)習(xí)在人臉識(shí)別[15]、醫(yī)學(xué)圖像[16]識(shí)別和其他領(lǐng)域識(shí)別[17]取得了一系列的研究成果[18]，尤其是以AlexNet、VGGNet、GoogLeNet、ResNet以及DenseNet[19]等為代表的卷積神經(jīng)網(wǎng)絡(luò)模型。一些研究表明，卷積神經(jīng)網(wǎng)絡(luò)已經(jīng)應(yīng)用于奶牛個(gè)體[20-21]和豬個(gè)體的識(shí)別[22]，對(duì)于奶牛個(gè)體軀干圖像識(shí)別準(zhǔn)確率達(dá)到90%以上，而對(duì)于豬臉個(gè)體的識(shí)別準(zhǔn)確率達(dá)到99%。河蟹背甲形態(tài)各異，并且布滿溝壑和紋理等生物性狀，相比于人臉特征易被表情因素影響，蟹背堅(jiān)實(shí)牢固，除非受到毀滅性打擊，不然背甲形態(tài)不會(huì)輕易變化，因此，蟹背特征是一種潛在的進(jìn)行河蟹個(gè)體自動(dòng)識(shí)別的依據(jù)。

本研究提出了一種金字塔卷積結(jié)構(gòu)的深度殘差網(wǎng)絡(luò)精準(zhǔn)識(shí)別單體河蟹的方法，使用金字塔卷積層替換普通卷積層，可以在不增加額外計(jì)算成本的同時(shí)獲取多尺度的圖像細(xì)節(jié)信息，模型訓(xùn)練使用遷移學(xué)習(xí)方式彌補(bǔ)數(shù)據(jù)樣本量不足以及訓(xùn)練時(shí)間較長(zhǎng)的問(wèn)題，最終實(shí)現(xiàn)河蟹的精準(zhǔn)個(gè)體識(shí)別。研究結(jié)果為河蟹個(gè)體身份快捷可靠識(shí)別提供參考。

1 材料

1.1 蟹背圖像獲取

河蟹圖像數(shù)據(jù)取自陽(yáng)澄湖成年大閘蟹共100只，蟹殼尺寸在60～70 mm之間。為了數(shù)據(jù)能夠較好地適應(yīng)真實(shí)的光照條件，數(shù)據(jù)采集場(chǎng)所選取在明亮的室內(nèi)(日光燈或自然光)，由于拍攝時(shí)間包含早晨、中午、傍晚以及夜晚，因此采集的圖像需要適應(yīng)各種復(fù)雜光照條件。采集過(guò)程中，選用MER-2000-5GC/P工業(yè)相機(jī)采集數(shù)據(jù)，圖像分辨率為5 496×3 672，相機(jī)固定在支架臺(tái)上，每只河蟹采集5張蟹背甲上方不同角度圖像，圖像需要展現(xiàn)清晰完整的河蟹背甲輪廓、溝壑、凸起和紋理，河蟹背甲特征細(xì)節(jié)如圖1所示。

圖1 蟹背特征示例圖

1.2 數(shù)據(jù)集制作

個(gè)體河蟹樣本數(shù)量過(guò)少會(huì)影響模型訓(xùn)練效果，為了提取每只個(gè)體河蟹可辨識(shí)的生物特征，需要對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理和擴(kuò)充。河蟹數(shù)據(jù)集制作流程如圖2所示。

圖2 河蟹數(shù)據(jù)集制作流程

通過(guò)對(duì)每張預(yù)處理后的圖像進(jìn)行旋轉(zhuǎn)變換(30°、45°、75°、90°)、翻轉(zhuǎn)變換(垂直翻轉(zhuǎn)、水平翻轉(zhuǎn))、亮度調(diào)節(jié)、高斯擾動(dòng)、椒鹽噪音和色彩抖動(dòng)，數(shù)據(jù)集最終擴(kuò)充至52 000張圖像并將圖像格式統(tǒng)一轉(zhuǎn)化為JPG格式，有效增強(qiáng)了數(shù)據(jù)集的多樣性，降低訓(xùn)練階段過(guò)擬合的可能性，使得最終模型的泛化能力得到提高。數(shù)據(jù)集按照6∶2∶2劃分訓(xùn)練集、驗(yàn)證集和測(cè)試集。

2 方法

2.1 金字塔卷積結(jié)構(gòu)

金字塔卷積結(jié)構(gòu)包含n個(gè)不同類型卷積核的卷積層[23]，在不增加計(jì)算成本和參數(shù)數(shù)目的前提下，不同尺度卷積核處理輸入的特征圖，不同類型核具有不同的空間分辨率和深度，以捕獲更加詳細(xì)的信息，較小字段的內(nèi)核可以專注細(xì)節(jié)信息，增加內(nèi)核大小可以提供上下文之間更可靠的信息[24]。隨著空間大小的增加，卷積核的深度從第一級(jí)減少到第n級(jí)別，最后形成多個(gè)卷積分支。特征映射通過(guò)不同的卷積分支進(jìn)行分組卷積，最后將不同分支的特征進(jìn)行級(jí)聯(lián)拼接形成一個(gè)融合特征。金字塔卷積結(jié)構(gòu)如圖3所示。

圖3 金字塔卷積結(jié)構(gòu)圖

(1)

(2)

與標(biāo)準(zhǔn)卷積相比，金字塔卷積層可以在沒(méi)有額外成本的情況下擴(kuò)大核的接受域，它也適用于并行的不同類型的內(nèi)核，具有不同的空間分辨率和深度。因此，金字塔卷積層會(huì)在多個(gè)尺度上解析輸入，以捕獲更詳細(xì)的信息。這些不同類型的金字塔卷積層內(nèi)核帶來(lái)互補(bǔ)信息，有助于提高網(wǎng)絡(luò)的識(shí)別性能。具有較小接受域的內(nèi)核可以專注于細(xì)節(jié)，捕獲關(guān)于較小的對(duì)象和/或部分對(duì)象的信息，同時(shí)增加內(nèi)核的大小可以提供更可靠的細(xì)節(jié)。

2.2 模型構(gòu)建

Resnet是一種集圖像、自動(dòng)化編碼和分類為一體的深度卷積神經(jīng)網(wǎng)絡(luò)，它通過(guò)使用特征傳輸來(lái)防止梯度消失。本研究使用基于金字塔卷積結(jié)構(gòu)的殘差瓶頸塊代替Resnet的殘差塊，將標(biāo)準(zhǔn)殘差塊中的3×3的卷積核替換成不同內(nèi)核級(jí)別(9×9、7×7、5×5、3×3)的金字塔卷積層，其中內(nèi)核的深度在每個(gè)級(jí)別都有所不同。遷移學(xué)習(xí)[25]是運(yùn)用之前模型已存有的知識(shí)對(duì)不同領(lǐng)域問(wèn)題進(jìn)行求解的一種新的機(jī)器學(xué)習(xí)方法，兩領(lǐng)域共享的因素越多，則遷移學(xué)習(xí)的效果越好。于是，對(duì)于新的網(wǎng)絡(luò)模型只需要訓(xùn)練很少的訓(xùn)練輪次就可以完成新的分類識(shí)別任務(wù)[26]。一些研究表明，遷移學(xué)習(xí)方法[27]已經(jīng)在農(nóng)作物病蟲害圖像識(shí)別中取得較好的效果[28-29]。遷移學(xué)習(xí)的實(shí)現(xiàn)方法有樣本遷移、特征遷移、模型遷移和關(guān)系遷移，本研究選擇模型遷移，相比于全新學(xué)習(xí)，模型遷移只需要對(duì)預(yù)訓(xùn)練好的網(wǎng)絡(luò)參數(shù)進(jìn)行微調(diào)，有助于網(wǎng)絡(luò)模型訓(xùn)練快速收斂。由于ImageNet數(shù)據(jù)集樣本量大，存在許多通用的邊緣、紋理特征，因此可以將ImageNet中學(xué)習(xí)到的通用特征遷移到河蟹個(gè)體識(shí)別模型中。

基于遷移學(xué)習(xí)的模型訓(xùn)練架構(gòu)如圖4所示。首先，將大型數(shù)據(jù)集ImageNet輸入進(jìn)金字塔卷積結(jié)構(gòu)的Resnet進(jìn)行預(yù)訓(xùn)練，隨后從預(yù)訓(xùn)練中得出的權(quán)重作為當(dāng)前河蟹個(gè)體識(shí)別網(wǎng)絡(luò)的初始參數(shù)。

圖4 基于遷移學(xué)習(xí)和金字塔卷積層的模型訓(xùn)練架構(gòu)

使用金字塔卷積層的深度殘差網(wǎng)絡(luò)結(jié)構(gòu)圖如圖5所示。

網(wǎng)絡(luò)結(jié)構(gòu)主要由卷積層、金字塔瓶頸構(gòu)建塊、全局池化層、全連接層和Dropout層構(gòu)成。其中Conv1由一個(gè)卷積核為7×7的卷積層構(gòu)成，金字塔卷積塊(PyConvBlock)從具有4個(gè)核大小級(jí)別開始，每個(gè)層的卷積深度隨著級(jí)特征映射的空間減少而減少，其中G的數(shù)量代表該卷積層分組卷積的數(shù)目。在最后一個(gè)階段，網(wǎng)絡(luò)最終只有一個(gè)層次的金字塔卷積塊，變?yōu)槠胀ň矸e層。每個(gè)卷積層之間使用批歸一化(Bach-Normalization,BN)和修正線性單元(Rectified Linear Unit,ReLU)激活函數(shù)，批歸一化通過(guò)固定減小均方差值來(lái)幫助網(wǎng)絡(luò)加快訓(xùn)練速度，并且有助于梯度傳播，在反向傳播時(shí)幫助更新參數(shù)，幫助網(wǎng)絡(luò)克服梯度消失的問(wèn)題。

圖5右側(cè)展示了pyconvresnet34和pyconvresnet50的卷積模塊的參數(shù)，其中pyconvresnet34的每個(gè)金字塔瓶頸構(gòu)建塊比pyconvresnet50的減少一個(gè)1×1的降維卷積塊。

圖5 基于金字塔卷積結(jié)構(gòu)的深度殘差網(wǎng)絡(luò)

由于河蟹數(shù)據(jù)集是人工構(gòu)建，數(shù)據(jù)樣本構(gòu)成存在缺陷，因此在全連接層后加入Dropout層[30]，在一次循環(huán)中先隨機(jī)選擇神經(jīng)層中的一些單元并將其臨時(shí)隱藏，然后進(jìn)行該次循環(huán)中神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和優(yōu)化過(guò)程。在下一次循環(huán)中，又將隱藏另外一些神經(jīng)元，如此直至訓(xùn)練結(jié)束?？梢员容^有效地緩解過(guò)擬合的發(fā)生，在一定程度上達(dá)到正則化的效果。

學(xué)習(xí)器選擇隨機(jī)梯度下降(stochastic gradient descent，SGD)的梯度下降方式進(jìn)行算法優(yōu)化，本模型使用牛頓動(dòng)量梯度下降(Nesterov Momentum)進(jìn)行參數(shù)更新，該方法可以加快模型收斂速度，抑制梯度下降時(shí)上下震蕩，預(yù)防模型陷入局部最優(yōu)解。學(xué)習(xí)率衰減量為1e-6,Momentum參數(shù)更新動(dòng)量設(shè)為0.9。

損失值計(jì)算選擇交叉熵函數(shù)，交叉熵刻畫的是實(shí)際輸出概率與期望輸出概率的距離，加快模型收斂速度。損失函數(shù)見式 (3) :

(3)

式中：l為損失值，p為期望分類輸出，q為實(shí)際分類輸出，x為批次輸入樣本。

使用Softmax函數(shù)，又稱歸一化指數(shù)函數(shù)，返回與待識(shí)別河蟹相似概率最大的類別作為預(yù)測(cè)結(jié)果，如果預(yù)測(cè)結(jié)果與真實(shí)結(jié)果相同，則判定識(shí)別正確，反之，則識(shí)別錯(cuò)誤。Softmax函數(shù)公式如下(4):

(4)

式中：Zi為第i個(gè)節(jié)點(diǎn)的輸出值，C為分類類別個(gè)數(shù)。

2.3 模型特征提取可視化

深度學(xué)習(xí)一直被稱為“黑盒子”，內(nèi)部算法不可見，但CNN卻能夠被可視化，通常，一幅圖像經(jīng)過(guò)卷積神經(jīng)網(wǎng)絡(luò)提取特征后，隨著層次的深入，可視化結(jié)果會(huì)變得越來(lái)越模糊和抽象。圖6為河蟹圖像經(jīng)過(guò)4個(gè)殘差瓶頸塊處理后的特征圖。從第一階段到第四階段可以看出，隨著網(wǎng)絡(luò)深度的增加，從提取邊緣輪廓特征到提取紋理特征，模型提取的特征越來(lái)越抽象，通過(guò)殘差瓶頸塊1和2卷積后，特征圖可以提取蟹背邊緣輪廓的特征信息，經(jīng)過(guò)第3個(gè)殘差瓶頸塊卷積后，特征圖可以提取蟹背溝壑和凸起的特征信息，最后由第4個(gè)殘差瓶頸塊可以提取出蟹背的紋理特征信息。綜上，蟹背識(shí)別模型通過(guò)層層卷積提取的特征具有一定深度和區(qū)別性，實(shí)現(xiàn)了河蟹單體的準(zhǔn)確識(shí)別。

圖6 卷積層特征可視化

2.4試驗(yàn)平臺(tái)

2.4.1 試驗(yàn)平臺(tái)搭建

模型訓(xùn)練與測(cè)試均在Pytorch1.7框架下完成。硬件環(huán)境:處理器使用英特爾Core i7-9700K @ 3.60GHz 八核，內(nèi)存32GB，顯卡使用Nvidia GeForce RTX 2080Ti。

軟件環(huán)境：CUDA Toolkit 11.2,CUDNN V11.2;Python 3.6.0;Pytorch 1.8.0;Windows 10 64bit操作系統(tǒng)。

模型訓(xùn)練時(shí)的batchsize為128，訓(xùn)練集和驗(yàn)證集輸入圖像采用均值分別為0.485、0.456、0.406，標(biāo)準(zhǔn)差分別為0.229、0.224、0.225的參數(shù)進(jìn)行標(biāo)準(zhǔn)化變換，統(tǒng)一輸入進(jìn)網(wǎng)絡(luò)的圖像尺寸并轉(zhuǎn)化為3通道的灰度圖，模型初始學(xué)習(xí)率設(shè)置為0.05。

2.4.2 模型測(cè)試標(biāo)準(zhǔn)

為了分析河蟹識(shí)別模型性能，測(cè)試集的10 400張圖像采用準(zhǔn)確率(accuracy)作為評(píng)價(jià)標(biāo)準(zhǔn)，當(dāng)且僅當(dāng)圖像編號(hào)識(shí)別與真實(shí)個(gè)體相同時(shí)，才判定識(shí)別正確，例如1號(hào)河蟹的40號(hào)圖像識(shí)別為1號(hào)，則判定識(shí)別正確，否則識(shí)別錯(cuò)誤。其中，對(duì)于識(shí)別模型的混淆矩陣中的變量定義如下(5):

(5)

式中：A為準(zhǔn)確率，Ncorrect為預(yù)測(cè)正確數(shù)目，Ntotal為總數(shù)目。

3 結(jié)果與分析

3.1 圖像尺寸對(duì)模型性能影響

如圖7所示，其中PC(Pyramid convolution)表示金字塔卷積層，輸入不同尺寸的數(shù)據(jù)集圖像會(huì)大程度地影響識(shí)別結(jié)果，大尺寸的圖像數(shù)據(jù)集可以提取更多更深層圖像特征。當(dāng)輸入圖像尺寸224×224時(shí)，模型識(shí)別的各項(xiàng)指標(biāo)大幅提升，模型驗(yàn)證集準(zhǔn)確率為99.87%，相比圖像輸入尺寸為128×128時(shí)的驗(yàn)證集準(zhǔn)確率提高4.76%，并且識(shí)別時(shí)間只增加了0.067 s。如下表1，展示了不同圖像輸入尺寸下的模型性能，圖像尺寸為224的模型準(zhǔn)確率比較圖像尺寸128的模型提升了10.19%，而識(shí)別時(shí)間無(wú)明顯變化。

圖7 兩種尺寸的輸入圖像的模型訓(xùn)練對(duì)比

表1 兩種尺寸的輸入圖像的模型性能比較

3.2 卷積結(jié)構(gòu)與網(wǎng)絡(luò)深度對(duì)模型性能影響

將預(yù)處理后的河蟹圖像數(shù)據(jù)集作為輸入分別輸入進(jìn)使用普通卷積層結(jié)構(gòu)和改進(jìn)后基于金字塔卷積結(jié)構(gòu)的深度殘差網(wǎng)絡(luò)，其中網(wǎng)絡(luò)深度選取34層、50層和101層。圖8為不同卷積結(jié)構(gòu)和不同網(wǎng)絡(luò)深度的模型訓(xùn)練對(duì)比圖，可以看出，所有模型的損失值呈現(xiàn)下降趨勢(shì)，準(zhǔn)確率都呈現(xiàn)上升趨勢(shì)并在99%的時(shí)候趨于收斂，以虛線為標(biāo)記的改進(jìn)后的網(wǎng)絡(luò)模型驗(yàn)證集準(zhǔn)確率和損失函數(shù)值的收斂速度要略快于使用普通卷積層的網(wǎng)絡(luò)模型。

圖8 不同卷積結(jié)構(gòu)和不同網(wǎng)絡(luò)深度的模型訓(xùn)練過(guò)程對(duì)比

隨著模型網(wǎng)絡(luò)深度的增加，50層和101層的訓(xùn)練效果明顯好于深度為34層網(wǎng)絡(luò)的訓(xùn)練效果，而改進(jìn)后的34層的深度殘差網(wǎng)絡(luò)、50層和101層網(wǎng)絡(luò)模型各個(gè)模型的準(zhǔn)確率曲線和損失值曲線幾乎一致，因此，當(dāng)使用改進(jìn)后的34層的網(wǎng)絡(luò)模型或者使用模型網(wǎng)絡(luò)深度達(dá)到50層時(shí)，模型已經(jīng)具備較強(qiáng)的學(xué)習(xí)能力。

表2為不同卷積結(jié)構(gòu)和不同網(wǎng)絡(luò)深度下模型性能對(duì)比。

表2 不同模型的性能比較

結(jié)果表明使用金字塔卷積結(jié)構(gòu)的深度殘差網(wǎng)絡(luò)在網(wǎng)絡(luò)深度為34層時(shí)提升較為明顯，此時(shí)模型準(zhǔn)確率提高了5.49%；當(dāng)網(wǎng)絡(luò)深度達(dá)到50層時(shí)，模型的準(zhǔn)確率提高了1.3%；而當(dāng)網(wǎng)絡(luò)深度為101層時(shí)，模型的準(zhǔn)確率不再提高，此時(shí)網(wǎng)絡(luò)深度的加深不再影響模型的性能。

3.3 學(xué)習(xí)方式對(duì)模型性能影響

使用金字塔卷積層的Resnet50網(wǎng)絡(luò)作為遷移學(xué)習(xí)的基準(zhǔn)模型，圖9展示了使用遷移學(xué)習(xí)時(shí)的網(wǎng)絡(luò)模型在訓(xùn)練過(guò)程中準(zhǔn)確率和損失值的變化曲線。借助遷移學(xué)習(xí)的優(yōu)點(diǎn)，模型在早期就獲得了較高的精度，并且損失值在較小的迭代輪次下趨于收斂。從圖9可以看出，全新學(xué)習(xí)的訓(xùn)練曲線需要近20輪的迭代學(xué)習(xí)才能收斂，而使用遷移學(xué)習(xí)方法后，只需要5輪的迭代學(xué)習(xí)即可收斂，時(shí)間花費(fèi)不足半小時(shí)，模型驗(yàn)證集準(zhǔn)確率和損失函數(shù)曲線收斂速度提升近4倍。此時(shí)，使用遷移學(xué)習(xí)方式模型的準(zhǔn)確率為98.88%，模型保持較高的識(shí)別準(zhǔn)確率。

圖9 不同學(xué)習(xí)方式下模型訓(xùn)練對(duì)比

4 結(jié)論

提出了一種基于金字塔卷積層的河蟹個(gè)體識(shí)別算法，數(shù)據(jù)集采集模擬真實(shí)復(fù)雜的光照條件，通過(guò)3個(gè)模型性能指標(biāo)比較模型的識(shí)別性能。改進(jìn)后的網(wǎng)絡(luò)比改進(jìn)前的網(wǎng)絡(luò)有顯著提升，當(dāng)網(wǎng)絡(luò)深度為34層和50層時(shí)，模型的準(zhǔn)確率分別提升了5.49%、1.3%；而當(dāng)網(wǎng)絡(luò)深度為101時(shí)，模型性能不再有提升，說(shuō)明模型已經(jīng)有足夠的學(xué)習(xí)能力，不需要運(yùn)算量更大、層次更深的網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)。比較了金字塔卷積結(jié)構(gòu)的50層的殘差網(wǎng)絡(luò)在不同輸入圖像尺寸下的模型性能，當(dāng)輸入尺寸為224×224時(shí)，模型性能全面高于輸入尺寸為128×128時(shí)的模型性能，而識(shí)別時(shí)間只增加了0.067 s，滿足了個(gè)體河蟹識(shí)別快捷性和實(shí)時(shí)性的要求。比較了全新學(xué)習(xí)和遷移學(xué)習(xí)的模型性能，遷移學(xué)習(xí)方法在樣本量較少的情況下明顯減少了模型訓(xùn)練時(shí)間，同時(shí)保持98.88%的高準(zhǔn)確率。本研究下一步將探索通過(guò)深度網(wǎng)絡(luò)模型提取出個(gè)體河蟹的背甲特征向量，并將個(gè)體特征向量作為河蟹廠商的關(guān)鍵追溯依據(jù)，最終形成一個(gè)完整的河蟹個(gè)體追溯系統(tǒng)。

□