基于ResNet50网络的十种鱼类图像分类识别研究
评价，但我们仍可以通过混淆矩阵来进行处理。可以通过matplotlib的matshow（）函数，分类结果的好坏能直接显示出来，图4展示了混淆矩阵的结果。
通过图4我们可以直观的看出各种鱼的数量，分别为颌针鱼62、鲻鱼135、金钱鱼90、大菱鲆113、银鲳鱼84、黑鲷鱼105、鲈鱼101、黄鳍鲷93、绿鳍鱼75、巴鲣鱼32，通过以上数据绘制统计表1。
表1显示了误差数据的图像结果，将混淆矩阵的每个值除以相应类别中的图像总数。计算出10种鱼的f1score分比为颌针鱼1.00、鲻鱼0.985、金钱鱼1.00、大菱鲆1.00、银鲳鱼1.00、黑鲷鱼1.00、鲈鱼0.99、黄鳍鲷0.877、绿鳍鱼0.987、巴鲣鱼1.00，通过f1score可以看出分类指标很好。
神经网络中超参数的取值对模型的性能有很大的影响.实验中设定学习率为固定的值0.0001，批次大小为4，训练集数据807，验证集数据101，梯度参数更新方法采用SGD+momentum，迭代次数6000次，ResNet50模型经过30epoch训练，在训练集上的准确率在99%以上，在验证集上正确率为93.33%，模型训练到20epoch时，训练集上的误差几乎降至为零，验证集上的误差也降到了0.2以下，验证集上的平均误差为0.28，说明该模型收敛速度较快，识别精度高，验证集上的准确率较高，误差比较低。并且模型在验证集上的误差比训练机上的误差低，说明很好的抑制了过拟合，对图像识别效果较好，ResNet50模型在训练集和验证集上的准确率、误差如图5所示。
3 结语
本文从深度学习的角度出发，利用卷积神经网络在计算机视觉中的优势，提出了一种基于Keras深度学习框架的鱼类图像识别算法，以及使用混淆矩阵实现分类识别精确度。ResNet50卷积神经网络包含卷积层、批规范层、池化层、全连接层以及softmax层，采用SGD+momentum优化算法对模型参数進行更新。该模型能够抑制过拟合，收敛速度较快，训练时间较短，残余网络解决了深度网络训练艰难的问题，提高了性能。模型平均准确率为93.33%，模型具有较高的识别精度和鲁棒性。该模型不仅可以应用在鱼类图像分类识别中，也可以用于其他动物的图像分类识别，比如鸟类。
虽然ResNet50模型达到预期的分类识别效果，但是，由于本文采用的数据集是自己手动在网络上收集的图片和部分自己拍摄所得，背景干扰强度不是很大，而且数据集数量不是很多，以后需要增加更多的图片数量进行训练、验证，在强背景干扰情况下做出更高的识别精度。
[参考文献]
[1] Chai W J，Wang L M.Recognition of Chinese characters using deep convolutional neural network[J].Journal of Image and Graphics，2018，23（3）：0410-0417.
[2] 孙鑫，钱会南.基于深度卷积网络的中药饮片图像识别[J].世界科学技术-中医药现代化，2017，19（2）：218-222.
[3] 陈小娥， 杨薇薇.基于深度学习的车标识别算法的研究与实现[J].长春工程学院学报（自然科学版），2017，18（2）：117-120.
[4] 基于机器视觉的大黄鱼形态参数快速检测方法[J].集成技术， 2014（5）：45-51.
[5] 涂兵， 王锦萍， 王思成，等.基于背部轮廓相关系数算法的淡水鱼种类识别研究[J].计算机工程与应用，2016，52（16）：162-166.
[6] Hu J，Li D，Duan Q，et al. Fish species classification by color， texture and multi-class support vector machine using computer vision[J]. Computers and Electronics in Agriculture，2012，88（none）：133-140.
[7] 李彦冬， 郝宗波， 雷航. 卷积神经网络研究综述[J]. 计算机应用， 2016， 36（9）：2508-2515.
[8] 杜伟东，李海森，魏玉阔，等.基于SVM的决策融合鱼类识别方法[J]. 哈尔滨工程大学学报，2015（5）：623-627.
[9] 张俊龙，曾国荪，覃如. 基于深度学习的海底观测视频中鱼类的识别方法[J]. 计算机应用，2019，39（2）：72-77.
[10] Lécun Y， Bottou L，Bengio Y，et al. Gradient-based learning applied to document recognition[J].Proceedings of the IEEE，1998， 86（11）：2278-2324.
[11] 王恒，李霞，刘晓芳，等.基于ResNet50网络的乳腺癌病理图像分类研究[J].中国计量大学学报，2019，30（1）：72-77.
[12] 林明旺. 深度学习在鱼类图像识别与分类中的应用[J]. 数字技术与应用， 2017（4）：96-97.