基于改进的深度残差收缩网络的鱼类摄食强度分类方法研究

《Aquaculture International》：Research on fish feeding intensity classification method based on improved deep residual shrinkage network

提出基于光学流算法与改进残差收缩网络的鱼类摄食强度分类模型，有效解决现有方法易受环境影响及可靠性低的问题。实验表明，该模型在复杂循环水养殖系统中准确率达97.53%，参数量优于ResNet、VGG等传统CNN架构。

　　

摘要

准确分类鱼类的摄食强度是实现水产养殖精准喂养的基本前提和关键。针对现有量化鱼群摄食行为的方法容易受外部条件影响且可靠性较低的问题，本研究提出了一种基于光流算法和改进的深度残差收缩网络的鱼类摄食强度分类模型。首先，使用Gunnar Farneback密集光流算法准确量化鱼类在摄食过程中的运动状态；随后，将Squeeze-and-Excitation Networks（SENet）注意力机制加入网络中，以使模型专注于关键特征并提升其重要的特征学习能力；最后，应用软阈值函数来强化有效信息并抑制冗余，从而实现准确的鱼类摄食强度分类。为了评估该模型的有效性，分析了其在不同激活函数和模型深度下的性能，并将其与经典的卷积神经网络（CNN）架构（如Residual Networks（ResNet）、Visual Geometry Group（VGG）、ShuffleNet和Inception）进行了比较。实验结果表明，该模型的最终评估准确率、平均精确度、平均召回率和F1分数分别为97.53%、97.53%、97.46%和97.49%，均优于上述经典CNN模型的相应指标。此外，该模型在参数数量上也具有显著优势。总之，本研究提出的模型能够在循环水产养殖系统（RAS）的复杂环境中准确评估鱼类摄食强度，很好地平衡了性能和参数效率，为其后续的实际应用奠定了坚实的基础。