摘要：为了提高淡水鱼品种识别正确率，本文研究了淡水鱼特征值寻优，设计了一个高识别率的淡水鱼（鳊鱼、鲑鱼和鲫鱼）识别模型。首先完成图像采集和样本库建立，实现淡水鱼鱼肚和鱼背图像的自动化提取；然后，进行淡水鱼纹理颜色和体型特征的提取；接着，用遗传算法、粒子群算法和改进的粒子群算法进行特征优选；最后，利用遗传算法优化后的BP神经网络对淡水鱼品种进行识别。通过对比，本文最后指出了能够实现高准确率识别3种淡水鱼的方法。
目录
摘要 3
关键词 3
Abstract 3
Key words 3
1 绪论 3
1．1 淡水鱼识别研究目的及意义 3
1．2 淡水鱼识别在国内外研究现状 4
1．2．1 国外研究 4
1．2．2 国内研究 4
1．3 淡水鱼识别研究应用前景 4
1．4 研究内容及技术路线 4
1．4．1 研究内容 4
1．4．2 技术路线 4
2 图像采集及建立样本库 5
2．1 图像采集 5
2．2 图像预处理 5
2．3 图像样本库建立 5
3 图像特征值提取 7
3．1 图像颜色纹理特征值采集 7
3．2 图像体型采集 7
4 图像最优特征值选择 8
4．1 基于遗传算法的特征优选 8
4．1．1 遗传算法 8
4．1．2 遗传算法寻优 8
4．2 基于粒子群算法的特征优选 9
4．2．1 粒子群算法 9
4．2．2 粒子群算法寻优 10
4．3 粒子群算法改进 10
4．3．1 改进粒子群算法 10
4．3．2 改进粒子群算法寻优 10
5 图像类别预测 11
5．1 BP神经网络 11
5．2 分类预测及结果 12
5．2．1 总体识别结果 13
5．2．2 具体识别结果 13
6 淡水鱼识
 *景先生毕设|www.jxszl.com +Q: ^3^5`1^9`1^6^0`7^2# 
别程序及结果分析 16
6．1 开发平台及可实现功能 16
6．2 最终识别结果及讨论 17
6．2．1 不同种类特征值识别结果及结论 17
6．2．1．1 基于鱼肚特征的预测结果 17
6．2．1．2 基于鱼肚鱼背特征的预测结果 18
6．2．1．3 基于鱼肚鱼背和体型特征的预测结果 18
6．2．1．4 结论 19
6．2．2 不同特征值寻优识别结果及结论 19
6．2．2．1 基于原始特征的预测结果 19
6．2．2．2 基于遗传算法寻优后特征的预测结果 20
6．2．2．3 基于粒子群算法寻优后特征的预测结果 20
6．2．2．4 基于优化后的粒子群算法寻优后特征的预测结果 21
6．2．2．5 结论 21
6．2．3 最优算法比较 22
6．2．3．1 基于鱼肚鱼背特征的两种最优算法比较 22
6．2．3．2 基于鱼肚鱼背体型特征的两种最优算法比较 23
6．2．4 不同鱼类识别结果及结论 23
6．3 不足之处 24
致谢 24
参考文献： 25
淡水鱼品种识别研究
引言
1 绪论
1．1 淡水鱼识别研究目的及意义
水产养殖是我国国民经济收入的一项重要来源，其中淡水鱼产量占世界养殖淡水鱼总产量的73％[1]。常见的淡水鱼主要有青鱼、草鱼、鲢鱼、鳙鱼、鲤鱼、鲫鱼、鳊鱼等。为了增加鱼货产品的市场价值，需要对淡水鱼进行加工处理，其中包括前处理和深加工。 在前处理方面，目前品种分类主要依靠人工作业，作业环境恶劣，劳动强度大，效率低[2]。而深加工方面，由于中国淡水鱼加工工业发展滞后淡鱼以鲜活销售为主，在集中上市季节容易造成压塘和卖鱼难的现象挫伤生产者的积极性，因此开发淡水鱼深加工装备对于促进中国淡水鱼养殖生产的发展和增加生产者的收入具有重要意义[3]。
1．2 淡水鱼识别在国内外研究现状
1．2．1 国外研究
Strachan and Kell（1995年）将捕捞的海鱼放置在传送带上并进行图像抓取，使用颜色特征和形状特征成功的将12种鱼类分类，精度达到99%[4]。Frank Storbeck等（2001年）运用计算机视觉技术和采用神经网络技术，建立了识别鱼类品种的系统。通过摄像头采集鱼体图片获取鱼体不同位置的宽度和厚度作为输入量构建神经网络对鱼体品种进行识别，准确率在95%以上[5]。挪威的D.J. White等（2006年）指出利用机器视觉技术对7个鱼类的品种进行了识别研究，在识别分析测试中，7个种类100条鱼识别正确，其中只有五个深水鲑被错误地归类为黄金鲑，每7个种类中至多12条鱼种类未知。识别率达到99.8%。发现的问题是：颜色变量过少会降低分类精度[6]。
1．2．2 国内研究
Jing Hu等(2012年)研究了基于颜色和纹理对六种常见鱼类的分类。他们选出了首选Bior4.4 小波滤波器在HSV颜色空间的分类模型是最优识别分类选择[7]。万鹏等（2012年）研制了基于机器视觉技术的淡水鱼品种在线识别装置，装置鱼体输送、图像采集处理及品种识别三部分构成，可实现对淡水鱼品种的在线识别，他们采用了BP神经网络作为识别模型，对四种常见的淡水鱼品种识别准确率为92.5%，花费时间为1.28s[8]。张志强等（2011年）研究了基于机器视觉技术的淡水鱼质量分级方法，利用机器视觉技术获取淡水鱼样本图像提取鱼体特征值建立鱼头、鱼腹和鱼尾长度与鱼体质量之间的关系构建回归模型对鱼体重量进行预测，将机器视觉技术应用于鱼体分级重量检测等操作[9]。
1．3 淡水鱼识别研究应用前景
淡水鱼的品种识别能够降低劳动力、提高识别准确率、不损坏鱼体并且还能检测出鱼的疾病。随着国内水产品加工企业规模的不断扩大,设计出淡水鱼品种自动识别与分类装置或软件是非常有必要且有意义的，同时这对于我国正在大力倡导的数字农业的发展也有着极大的推动意义[10]。
1．4 研究内容及技术路线
1．4．1 研究内容
本课题旨在对淡水鱼品种识别技术进行研究。该研究以淡水鱼为对象，运用机器视觉技术对已有的基于形状和颜色等特征识别淡水鱼品种的技术进行改进，建立淡水鱼特征库，运用遗传算法、粒子群算法和改进的粒子群算法对特征值寻优，利用改进的BP神经网络建立淡水鱼品种识别模型，最终对识别结果进行分析。主要内容有：
（1）改进基于颜色和纹理等特征识别淡水鱼种类的方法。改进原先手动切割纹理图像的方式，实现自动切割选取鱼肚和鱼背的图像。

原文链接：http://www.jxszl.com/jsj/wljs/44635.html