基于双重注意力机制的鱼类体表病理识别方法

摘要

为提高鱼类体表病理识别精确度及识别效率，解决当前识别过程中对人工依赖严重且识别准确性低等问题，根据4种发病率高且对鱼类危害大的鱼病构建鱼类体表病理数据集，基于Resnet-18模型进行改进优化，融合空间注意力和SE通道注意力双重注意力机制构建出高识别精度的DBA＿Resnet-18模型，并基于该模型开发了鱼病实时智能识别可视化系统。改进后模型将SE通道注意力模块添加在网络中部，在网络尾部引入了空间注意力机制。测试结果显示，DBA＿Resnet-18模型对鱼类体表病理分类准确率达到了96.75%，相比于常见的模型Resnet-18、Resnet-34、Resnet-50、Resnet-101、Swin Transformer、VGG-16、VGG-19和AlexNet分别高出1.71、2.12、2.37、2.83、2.51、2.23、2.50和3.53百分点。研究结果表明，本研究提出的模型及鱼病智能识别可视化系统能够对不同鱼类体表病理进行快速、精确的分类识别，实现了鱼病识别系统的智能化，可用于实际环境中诊断鱼类体表病理类型。

关键词

鱼类体表病理 / 深度学习 / 注意力机制 / Resnet-18 / 鱼病智能识别