Nhận dạng một số loài cá bằng phương pháp học sâu
Abstract
Fish species identification plays an extremely important role in the assessment of fish species diversity in Vietnam, production management, and ecosystem monitoring, especially in the identification of endangered species. This makes fish species identification a necessity and requires high accuracy and reliability. However, identification that requires high accuracy and reliability often requires a lot of time and cost. In this paper, we propose a classification technique based on ResNet152V2 and Xception network architecture, we collect a data set of 820 images of fish species and conduct classification of fish species based on the data set. propose. Through testing and evaluation, the accuracy of the proposed model is up to 97.82%. Shows the potential of deep learning methods in fish species identification. The results of this study could have applications in areas such as aquaculture, biological research and aquatic environmental monitoring.
Tóm tắt
Nhận dạng loài cá đóng vai trò cực kỳ quan trọng trong việc đánh giá đa dạng loài cá tại Việt Nam, quản lý sản xuất, và theo dõi hệ sinh thái, đặc biệt là xác định các loài có nguy cơ tuyệt chủng. Điều này làm cho việc nhận dạng loài cá trở thành một yếu tố cần thiết và đòi hỏi sự chính xác và độ tin cậy cao. Tuy nhiên, việc nhận dạng đòi hỏi sự chính xác và độ tin cậy cao thường yêu cầu nhiều thời gian và chi phí. Trong bài báo này, chúng tôi đề xuất kỹ thuật phân loại dựa trên kiến trúc mạng ResNet152V2 và Xception, chúng tôi thu thập bộ dữ liệu gồm 820 hình ảnh của các loài cá và tiến hành phân loại các loài cá dựa trên tập dữ liệu đề xuất. Qua đánh giá thử nghiệm cho thấy độ chính xác của mô hình đề xuất lên đến 97,82%. Cho thấy tiềm năng của phương pháp học sâu trong việc nhận dạng loài cá. Kết quả của nghiên cứu này có thể được ứng dụng trong các lĩnh vực như nuôi trồng thủy sản, nghiên cứu sinh học và giám sát môi trường thủy sản.
Tài liệu tham khảo
[1]. Ahmad Salman, Shoaib Ahmad Siddiqui, Faisal Shafait, Ajmal Mian, Mark R Shortis, Khawar Khurshid, Adrian Ulges, Ulrich Schwanecke; Automatic fish detection in underwater videos by a deep neural network-based hybrid motion learning system. ICES Journal of Marine Science, Volume 77, Issue 4, July-August 2020, Pages 1295–1307,
[2]. Ashish Issac, Malay Kishore Dutta, Biplab Sarkar; Computer vision based method for quality and freshness check for fish from segmented gills. Computer vision based method for quality and freshness check for fish from segmented gills.
[3]. Alaba, S.Y.; Nabi, M.M.; Shah, C.; Prior, J.; Campbell, M.D.; Wallace, F.; Ball, J.E.; Moorhead, R. Class-Aware Fish Species Recognition Using Deep Learning for an Imbalanced Dataset. Sensors 2022, 22, 8268.
[4]. Bradley, D.; Merrifield, M.; Miller, K.M.; Lomonico, S.; Wilson, J.R.; Gleason, M.G. Opportunities to Improve Fisheries Management through Innovative Technology and Advanced Data Systems. Fish Fish. 2019, 20, 564–583. [Google Scholar] [CrossRef]
[5]. Xiaoling Xu, Wensheng Li, Qingling Duan; Transfer learning and SE-ResNet152 networks-based for small-scale unbalanced fish species identification. Version of Record 28 December 2020.
[6]. Deng, L., Yu, D. (2014). Deep Learning: Methods and Applications. Boston.
[7]. Hua, K.-L., et al. (2015). Computer-aided classification of lung nodules on computed tomography images via deep learning technique. OncoTargets and therapy.
[8]. Meysam Vakili, Mohammad Ghamsari and Masoumeh Rezaei (2020). Performance Analysis and Comparison of Machine and Deep Learning Algorithms for IoT Data Classification. arXiv:2001.09636 or arXiv:2001.09636v1.
[9]. Image processing based technique for classification of fish quality after cypermethrine exposure LWT - Food Sci. Technol. (2016)
[10]. Md Shoaib Ahmed, Tanjim Taharat Aurpa, Md. Abul Kalam Azad; Fish Disease Detection Using Image Based Machine Learning Technique in Aquaculture. Version of Record 9 August 2022.
[11]. Khalifa, N.E.M., Taha, M.H.N., Hassanien, A.E. (2019). Aquarium Family Fish Species Identification System Using Deep Neural Networks. In: Hassanien, A., Tolba, M., Shaalan, K., Azar, A. (eds) Proceedings of the International Conference on Advanced Intelligent Systems and Informatics 2018. AISI 2018. Advances in Intelligent Systems and Computing, vol 845.
