基于卷积神经网络的生物式水质监测方法

论文摘要

生物式水质监测通常是先通过提取水生物在不同环境下的应激反应特征,再进行特征分类,从而识别水质。针对水质监测问题,提出一种使用卷积神经网络（CNN）的方法。鱼类运动轨迹是当前所有文献使用的多种水质分类特征的综合性表现,是生物式水质分类的重要依据。使用Mask-RCNN的图像分割方法,求取鱼体的质心坐标,并绘制出一定时间段内鱼体的运动轨迹图像,制作正常与异常水质下两种轨迹图像数据集。融合Inception-v3网络作为数据集的特征预处理部分,重新建立卷积神经网络对Inception-v3网络提取的特征进行分类。通过设置多组平行实验,在不同的水质环境中对正常水质与异常水质进行分类。结果表明,卷积神经网络模型的水质识别率为99. 38%,完全达到水质识别的要求。

论文目录

• 1 引言
• 2 CNN卷积神经网络
•   （1） 输入图像I
•   （2） 多个卷积 （C） 与池化层 （S）
•   （3） 光栅化 （X）
•   （4） 传统的多层感知器 （N&O）
• 3 改进Inception-v3网络
•   3.1 Inception v3网络
•   3.2 改进部分
• 4 实验
•   4.1 实验环境及操作
•   4.2 实验过程
•   4.3 实验结果
• 5 结论

文章来源

类型: 期刊论文

作者: 程淑红,张仕军,赵考鹏

关键词: 计量学,生物式水质监测,卷积神经网络,图像分割法

来源: 计量学报 2019年04期

年度: 2019

分类: 工程科技Ⅱ辑,工程科技Ⅰ辑,信息科技

专业: 环境科学与资源利用,自动化技术

单位: 燕山大学电气工程学院

基金: 国家自然科学基金(61601400),河北省博士后基金(B2016003027),秦皇岛市科学技术研究与发展计划(201701B009)

分类号: X832;TP183

页码: 721-727

总页数: 7

文件大小: 1233K

下载量: 142