基于CNN的鱼类识别技术：从数据清洗到模型部署

1. 项目背景与核心价值

鱼类识别这个课题乍看简单，实则蕴含着计算机视觉领域的多个关键技术挑战。我在水产研究所参与智能养殖系统开发时，曾亲眼见过传统人工分类的痛点：研究员需要对着显微镜手动记录鱼苗种类，不仅效率低下（每小时仅能处理20-30个样本），而且疲劳导致的误判率高达15%。这正是CNN卷积神经网络大显身手的场景——通过自动化识别，我们最终将分类速度提升到每秒5-8帧，准确率稳定在98%以上。

选择这个毕设方向有三大优势：首先，公开数据集丰富（Fish4Knowledge、QUT Fishes等），避免了数据采集的硬件成本；其次，CNN作为经典网络结构，既有成熟的框架支持，又留有足够的调参优化空间；最重要的是，该项目能完整覆盖深度学习全流程：从数据清洗、模型选型到部署应用，非常适合作为能力展示的综合性课题。

2. 技术方案设计要点

2.1 数据准备策略

以Fish4Knowledge数据集为例，原始图像存在三大问题：背景杂乱（渔网、气泡干扰）、拍摄角度多变、部分鱼类存在相似纹理。我们采用"三阶段清洗法"：

1. 使用OpenCV进行背景分割（GrabCut算法）
2. 数据增强组合：随机旋转（±30°）+ 色彩抖动（HSV空间±10%）
3. 难例挖掘：单独收集易混淆鱼种（如鲈鱼/鲷鱼）建立子数据集

关键技巧：保留10%的原始未清洗数据作为测试集，这样可以检验模型在真实场景的泛化能力

2.2 网络架构选型

对比实验表明，对于中等规模数据集（约50类），轻量化改造的ResNet18表现最优。具体改进包括：

• 将stem层的7x7卷积替换为3个3x3卷积（参数量减少41%）
• 添加SE注意力模块（提升难例分类准确率3.2%）
• 使用GeLU激活函数替代ReLU（验证集loss下降15%）

python复制# 核心改进代码示例
class SEBlock(nn.Module):
    def __init__(self, channel, reduction=16):
        super().__init__()
        self.avg_pool = nn.AdaptiveAvgPool2d(1)
        self.fc = nn.Sequential(