KMS of Research Center for Eco-Environmental Sciences， CAS
| 基于残差注意力网络模型的浮游植物识别 | |
| 项和雨; 邹斌; 唐亮; 陈维国; 饶凯锋; 刘勇; 马梅; 杨艳 | |
| 2021-09-08 | |
| Source Publication | 生态学报
 |
| Volume | 41Issue:17Pages:6883-6892 |
| Abstract | 浮游植物作为水生态系统中最重要的生物组成部分之一,对水环境敏感,在水环境监测中得到了广泛的关注。然而水生环境复杂多样,准确高效地识别浮游植物是监测工作中的一大挑战。当前浮游植物识别方法可分为经典形态学分类、分子标记和人工智能图像识别三类。前两种方法已被广泛采用,但费时费力,不利于监测机构的大规模应用和推广。同样,利用图像进行自动化分类难以在高准确率与高效率上达到平衡。深度学习技术的发展为此提供了新思路。本文提出一种新的深度卷积神经网络RAN-11。该网络以残差注意力网络Attention-56和Attention-92为基础,凭借通道对齐融合主干上的底层特征与顶层特征,通过调整注意力模块和残差快个数以精简结构,并引入了Leaky ReLU激活函数代替ReLU。以太湖11个优势属共计1036张图像为数据来源进行对比验证。除星杆藻外,RAN-11对单一优势属的的查准率都在90%以上,并且有5个优势属达到100%的查准率。RAN-11的识别准确率为95.67%,推理速率为41.5帧/s,不仅比Attention-92(95.19%的准确率,23.6帧/s)更准确,而且比Attention-56(94.71%的准确率,41.2帧/s)更快,真正兼顾了准确率与效率。研究结果表明:(1)RAN-11在查准率、准确率和推理速率上优于原始残差注意力网络,更优于以词包模型为代表的传统图像识别方法;(2)融合多尺度特征、精简网络结构和优化激活函数是提高卷积神经网络性能的有力手段。建立在经典分类基础之上,本文提出新的残差注意力网络来提升浮游植物鉴定技术,并构建出浮游植物自动化识别系统,识别准确率高、易于推广,对于实现水体中浮游植物的自动化监测具有重要意义。 |
| Department | 中国科学院饮用水科学与技术重点实验室 |
| Keyword | 水质监测 浮游植物识别 残差注意力网络 深度学习 |
| Document Type | 期刊论文 |
| Identifier | https://ir.rcees.ac.cn/handle/311016/46686 |
| Collection | 中国科学院饮用水科学与技术重点实验室 |
| Affiliation | 1.湖北大学数学与统计学学院应用数学湖北省重点实验室 2.无锡中科水质环境技术有限公司 3.北京工业大学北京现代制造业发展基地 4.中国科学院生态环境研究中心环境模拟与污染控制国家重点联合实验室 5.中国科学院生态环境研究中心中国科学院饮用水科学与技术重点实验室 6.中国科学院大学资源与环境学院 7.武汉晴川学院计算机学院 |
| Recommended Citation GB/T 7714 | 项和雨,邹斌,唐亮,等. 基于残差注意力网络模型的浮游植物识别[J]. 生态学报,2021,41(17):6883-6892. |
| APA | 项和雨.,邹斌.,唐亮.,陈维国.,饶凯锋.,...&杨艳.(2021).基于残差注意力网络模型的浮游植物识别.生态学报,41(17),6883-6892. |
| MLA | 项和雨,et al."基于残差注意力网络模型的浮游植物识别".生态学报 41.17(2021):6883-6892. |
| Files in This Item: | Download All | |||||
| File Name/Size | DocType | Version | Access | License | ||
| 基于残差注意力网络模型的浮游植物识别_项（5488KB） | 期刊论文 | 出版稿 | 开放获取 | CC BY-NC-SA | View Download | |
Items in the repository are protected by copyright, with all rights reserved, unless otherwise indicated.
Edit Comment