توسعه الگوريتم يادگيري عميق به منظور تشخيص و طبقه‌بندي هوشمند گونه‌هاي ماهي كپور

Deep Learning Algorithm Development for Intelligent Detection and Classification of Carp Species

شناسايي گونه­ هاي ماهيان براي صنايع آبزي پروري و صيد، مديريت ذخاير پهنه هاي آبي و نظارت زيست محيطي آبزيان حياتي مي باشد. در اين مطالعه، شبكه عصبي يادگيري عميق به عنوان روشي غيرمخرب و برخط جهت تشخيص چهار گونه مهم و اقتصادي خانواده كپورماهيان شامل كپور معمولي، كپور علفخوار، كپور سرگنده و كپور نقره­اي ايجاد و مورد استفاده قرار گرفت. به اين منظور، ساختار شبكه پيش آموزش ديده VGG-19 (Visual Geometry Group-19) توسط لايه ­هاي پولينگ، تماما متصل، نرمال­ سازي و رهاسازي بروزرساني گرديد. از 409 تصوير براي آموزش و ارزيابي مدل توسعه داده شده استفاده گرديد. مقادير ميانگين دقت، صحت، حساسيت، اختصاصي بودن و سطح زير منحني به ازاي هر كلاس به ترتيب برابر با 98/39، 96/87، 96/87، 98/96 و 97/92 درصد حاصل شد. سطح بالاي دقت بدست آمده بدليل توانايي مدل عميق پيشنهادي در ساخت ويژگي هاي خودآموز سلسله مراتبي است كه در تطابق با ويژگي­ هاي مورد استفاده در شناسايي ماهيان بود.

Identifying fish species is critical for aquaculture and fishery industries, managing aquatic stocks and environmental monitoring of aquatics. In this study, deep learning neural network as a non-destructive and real-time approach was developed and used to identify four economically important species of carp family including common carp, grass carp, bighead carp and silver carp. For this purpose, the architecture of pre-trained VGG19 (Visual Geometry Group-19) was updated by pooling, fully-connected, normalization and dropout layers. 409 images were used for training and evaluating the developed model. The mean value of accuracy, precision, sensitivity, specificity and AUC parameters was calculated as 98.39, 96.87, 96.87, 98.96, and 97.92%, respectively. The obtained high level of accuracy is due to the ability of the proposed deep model in constructing a hierarchy of self-learned features which was consistent with the hierarchy of fish identification keys.