技术摘要：
本发明属于图像识别技术领域，具体涉及一种基于改进CNN算法的鱼类图像识别方法，包括以下步骤，A1、设定卷积核的元素个数m，初始化加速常数c1、c2和惯性权重ω值，将元子位置X向量和原子速度V向量初始化为(0,1)之间的随机数；A2、对步骤A1中设定的m个卷积核的元素中的 全部
背景技术：
水库净水渔产业具有良好的生态环保效益、社会公共效益和产业经济效益。水库 净水鱼与池塘养殖鱼相比，在水库中自由放养的鱼质量更佳、营养更高、口感更好，因此价 格远高于池塘养殖鱼。但在鱼类市场上，存在水库净水鱼与养殖鱼混杂的现象，例如消费者 花高价钱买来的却是池塘养殖鱼。因此，如何区分水库鱼和池塘鱼，成为了水库净水渔产业 亟待解决的问题。 随着互联网技术的飞速发展，图像数据不仅数量呈指数级增长，形式也变得更加 丰富多样，传统的识别方法已经不能满足人们的需求。基于鱼类识别技术的深度学习应运 而生，通过模拟人脑，能够自动的学习和提取特征，充分发挥大数据的优势。将深度学习用 于图像识别，提高图像的识别效率和准确率，具有一定的实践意义。 近年来，由人工神经网络(Artificial Neural Network,ANN)发展而来的深度学 习(Deep Learning ,DL)技术因其具有通过非线性变换从图像中提取特征以实现识别图像 的能力，在图像识别领域得到了广泛的研究及应用。传统的目标检测主要是基于滑动窗口 的区域选择策略，时间复杂度高，窗口冗余。手工设计的特征多样性变化，没有很好的鲁棒 性。如何快速有效地对图像进行分类识别意义重大。 利用卷积神经网络(CNN)方法，会自动提取大量的图像特征，提高了鱼类图像识 别。CNN采用了局部感知与权值共享的技术，网络层之间采用非全连接的结构，这样大大减 少了权值的数量，提高了网络运算的效率。CNN包含卷积层和下采样层，两层交替运算，有效 地将特征提取和分类过程融合在了一起，简化了一般模式识别研究中特征提取的步骤。CNN 这种多层感知器的网络模型，有利于二维图像的识别，对于平移、比例缩放、倾斜或者其他 形式变形的图像，也有很强的鲁棒性。 但CNN算法的基础之下需通过不断训练，调整参数，优化模型。其中最关键的一个 步骤是分类器的训练，欲获得好的分类器，须先根据具体需求选取适当的模型，然后经过不 断训练及迭代使模型的性能达到最优。而常规的CNN神经网络采用梯度下降算法，在反向传 播调整网络连接权值的过程中，会出现误差下降缓慢或下降停滞的问题，使得网络的收敛 速度受到影响，据分析，产生问题主要在以下两方面，(1)、在梯度下降过程中，误差下降缓 慢，使得网络的收敛速度变慢，这是因为误差对权值的梯度变化小，有时接近于0；(2)、在梯 度下降过程中还可能存在多个极小点，使网络容易陷入局部最小。这是由于误差曲面上可 能存在多个梯度为0的点，大多数极小点都是局部极小。 鉴于以上分析，梯度下降算法虽然是主要的误差反传方法，但是运算复杂，运算效 果受到学习率、数据集的分布等因素的影响，使得网络不能得到最优的训练。因此，提出一 种更有效的图像分类技术，以提高CNN算法的收敛速度，用于鱼类图像识别中很有必要。 3 CN 111582301 A 说 明 书 2/6 页
技术实现要素：
本发明的目的是：针对目前常规的CNN神经网络用于鱼类图像识别时，在梯度下降 的过程中，误差下降缓慢，使得网络的收敛速度变慢的问题，提出一种更有效的图像分类技 术，以提高CNN算法的收敛速度，用于鱼类的图像识别。 为实现上述技术目的，本发明采用的技术方案如下： 一种基于改进CNN算法的鱼类图像识别方法，包括以下步骤， A1、设定卷积核的元素个数m，初始化加速常数c1、c2和惯性权重ω值，将元子位置X 向量和原子速度V向量初始化为(0,1)之间的随机数；把需要训练的参数作为元素的输入， 使用此方法来更新卷积神经网络训练参数的方法，在收敛速度上要快于采用常规梯度下降 算法更新训练参数的方法； A2、对步骤A1中设定的m个卷积核的元素中的每一个元素，在卷积神经网络中进行 计算，得到前向传播； A3、在步骤A2计算得到前向传播后，计算得到误差； A4、对步骤A3得到的误差值，若误差值达到误差阀值范围的极小值，停止。 进一步，所述步骤A2中对卷积神经网络中进行计算的公式为公式1， 公式1：y＝fn(...(f2(f (X·W(t))W(2)1 )) ...)W(n) 其中，网络输出层得到输出结果，在n层的卷积神经网络中，作为网络输入样本，用 fn表示各层采用的激活函数，W(n)表示各层的连接权值。 进一步，所述步骤A3中计算得到误差的公式为公式2， 公式2： 其中，N是卷积神经网络输入图像的训练样本数，C是网络输出层神经元的个数， 是第i个样本的第j个输出节点的期望输出值，yji是第i个样本的第j个输出节点的实际输出 值。 进一步，若经过公式2计算的误差值未收敛，则进行收敛，包括以下步骤， B1、更新元子的位置和速度； B2、将步骤B1中更新后的元子传回卷积神经网络，更新需要训练的连接权的值，再 次前向传播，对误差进行计算； B3、若步骤B2得到误差值已经达到误差阀值范围的极小值，则停止；若步骤B2得到 误差值未收敛，继续执行B1步骤，直到停止。本发明通过进化计算之后，再将其应用于CNN算 法的前向传播，多次迭代调整网络连接权矩阵，直到误差收敛停止。 本方案通过进化计算之后，再将其应用于CNN算法的前向传播，多次迭代调整网络 连接权矩阵，直到误差收敛停止。 进一步，所述步骤B1中进行更新元子的位置和速度的公式为行公式3和公式4， 公式3：v′id＝wvid c1·rand( )·(Pid-xid) c2·rand( )·(Pgd-xid)； 公式4：x′id＝xid v′id； 在D维空间中有m个元子，vid和xid分别表示第i个元子的速度和位置，第i个元子自 身搜索到的最优位置为Pid，整个元素搜索到的最优位置Pgd，整个元子通过速度和位置的更 4 CN 111582301 A 说 明 书 3/6 页 新来搜索整个状态空间。v′id和x′id分别为元素更新后的速度与位置，w为惯性权重，c1和c2 为加速常数，rand( )是[0,1]范围内变化的随机数。 本发明有益效果如下： 1、本发明针对常规CNN算法收敛速度慢的问题，把需要训练的参数作为元素的输 入，使用本发明的方法来更新卷积神经网络训练参数的方法，在收敛速度上要快于采用常 规梯度下降算法更新训练参数的方法。 2、本发明通过进化计算之后，再将其应用于CNN算法的前向传播，多次迭代调整网 络连接权矩阵，直到误差收敛停止，使得图像识别的正确率上高于常规CNN神经网络，并提 高了算法收敛的性能。
本发明属于图像识别技术领域，具体涉及一种基于改进CNN算法的鱼类图像识别方法，包括以下步骤，A1、设定卷积核的元素个数m，初始化加速常数c1、c2和惯性权重ω值，将元子位置X向量和原子速度V向量初始化为(0,1)之间的随机数；A2、对步骤A1中设定的m个卷积核的元素中的 全部
背景技术：
水库净水渔产业具有良好的生态环保效益、社会公共效益和产业经济效益。水库 净水鱼与池塘养殖鱼相比，在水库中自由放养的鱼质量更佳、营养更高、口感更好，因此价 格远高于池塘养殖鱼。但在鱼类市场上，存在水库净水鱼与养殖鱼混杂的现象，例如消费者 花高价钱买来的却是池塘养殖鱼。因此，如何区分水库鱼和池塘鱼，成为了水库净水渔产业 亟待解决的问题。 随着互联网技术的飞速发展，图像数据不仅数量呈指数级增长，形式也变得更加 丰富多样，传统的识别方法已经不能满足人们的需求。基于鱼类识别技术的深度学习应运 而生，通过模拟人脑，能够自动的学习和提取特征，充分发挥大数据的优势。将深度学习用 于图像识别，提高图像的识别效率和准确率，具有一定的实践意义。 近年来，由人工神经网络(Artificial Neural Network,ANN)发展而来的深度学 习(Deep Learning ,DL)技术因其具有通过非线性变换从图像中提取特征以实现识别图像 的能力，在图像识别领域得到了广泛的研究及应用。传统的目标检测主要是基于滑动窗口 的区域选择策略，时间复杂度高，窗口冗余。手工设计的特征多样性变化，没有很好的鲁棒 性。如何快速有效地对图像进行分类识别意义重大。 利用卷积神经网络(CNN)方法，会自动提取大量的图像特征，提高了鱼类图像识 别。CNN采用了局部感知与权值共享的技术，网络层之间采用非全连接的结构，这样大大减 少了权值的数量，提高了网络运算的效率。CNN包含卷积层和下采样层，两层交替运算，有效 地将特征提取和分类过程融合在了一起，简化了一般模式识别研究中特征提取的步骤。CNN 这种多层感知器的网络模型，有利于二维图像的识别，对于平移、比例缩放、倾斜或者其他 形式变形的图像，也有很强的鲁棒性。 但CNN算法的基础之下需通过不断训练，调整参数，优化模型。其中最关键的一个 步骤是分类器的训练，欲获得好的分类器，须先根据具体需求选取适当的模型，然后经过不 断训练及迭代使模型的性能达到最优。而常规的CNN神经网络采用梯度下降算法，在反向传 播调整网络连接权值的过程中，会出现误差下降缓慢或下降停滞的问题，使得网络的收敛 速度受到影响，据分析，产生问题主要在以下两方面，(1)、在梯度下降过程中，误差下降缓 慢，使得网络的收敛速度变慢，这是因为误差对权值的梯度变化小，有时接近于0；(2)、在梯 度下降过程中还可能存在多个极小点，使网络容易陷入局部最小。这是由于误差曲面上可 能存在多个梯度为0的点，大多数极小点都是局部极小。 鉴于以上分析，梯度下降算法虽然是主要的误差反传方法，但是运算复杂，运算效 果受到学习率、数据集的分布等因素的影响，使得网络不能得到最优的训练。因此，提出一 种更有效的图像分类技术，以提高CNN算法的收敛速度，用于鱼类图像识别中很有必要。 3 CN 111582301 A 说 明 书 2/6 页
技术实现要素：
本发明的目的是：针对目前常规的CNN神经网络用于鱼类图像识别时，在梯度下降 的过程中，误差下降缓慢，使得网络的收敛速度变慢的问题，提出一种更有效的图像分类技 术，以提高CNN算法的收敛速度，用于鱼类的图像识别。 为实现上述技术目的，本发明采用的技术方案如下： 一种基于改进CNN算法的鱼类图像识别方法，包括以下步骤， A1、设定卷积核的元素个数m，初始化加速常数c1、c2和惯性权重ω值，将元子位置X 向量和原子速度V向量初始化为(0,1)之间的随机数；把需要训练的参数作为元素的输入， 使用此方法来更新卷积神经网络训练参数的方法，在收敛速度上要快于采用常规梯度下降 算法更新训练参数的方法； A2、对步骤A1中设定的m个卷积核的元素中的每一个元素，在卷积神经网络中进行 计算，得到前向传播； A3、在步骤A2计算得到前向传播后，计算得到误差； A4、对步骤A3得到的误差值，若误差值达到误差阀值范围的极小值，停止。 进一步，所述步骤A2中对卷积神经网络中进行计算的公式为公式1， 公式1：y＝fn(...(f2(f (X·W(t))W(2)1 )) ...)W(n) 其中，网络输出层得到输出结果，在n层的卷积神经网络中，作为网络输入样本，用 fn表示各层采用的激活函数，W(n)表示各层的连接权值。 进一步，所述步骤A3中计算得到误差的公式为公式2， 公式2： 其中，N是卷积神经网络输入图像的训练样本数，C是网络输出层神经元的个数， 是第i个样本的第j个输出节点的期望输出值，yji是第i个样本的第j个输出节点的实际输出 值。 进一步，若经过公式2计算的误差值未收敛，则进行收敛，包括以下步骤， B1、更新元子的位置和速度； B2、将步骤B1中更新后的元子传回卷积神经网络，更新需要训练的连接权的值，再 次前向传播，对误差进行计算； B3、若步骤B2得到误差值已经达到误差阀值范围的极小值，则停止；若步骤B2得到 误差值未收敛，继续执行B1步骤，直到停止。本发明通过进化计算之后，再将其应用于CNN算 法的前向传播，多次迭代调整网络连接权矩阵，直到误差收敛停止。 本方案通过进化计算之后，再将其应用于CNN算法的前向传播，多次迭代调整网络 连接权矩阵，直到误差收敛停止。 进一步，所述步骤B1中进行更新元子的位置和速度的公式为行公式3和公式4， 公式3：v′id＝wvid c1·rand( )·(Pid-xid) c2·rand( )·(Pgd-xid)； 公式4：x′id＝xid v′id； 在D维空间中有m个元子，vid和xid分别表示第i个元子的速度和位置，第i个元子自 身搜索到的最优位置为Pid，整个元素搜索到的最优位置Pgd，整个元子通过速度和位置的更 4 CN 111582301 A 说 明 书 3/6 页 新来搜索整个状态空间。v′id和x′id分别为元素更新后的速度与位置，w为惯性权重，c1和c2 为加速常数，rand( )是[0,1]范围内变化的随机数。 本发明有益效果如下： 1、本发明针对常规CNN算法收敛速度慢的问题，把需要训练的参数作为元素的输 入，使用本发明的方法来更新卷积神经网络训练参数的方法，在收敛速度上要快于采用常 规梯度下降算法更新训练参数的方法。 2、本发明通过进化计算之后，再将其应用于CNN算法的前向传播，多次迭代调整网 络连接权矩阵，直到误差收敛停止，使得图像识别的正确率上高于常规CNN神经网络，并提 高了算法收敛的性能。
