本文是一篇计算机论文，本文关于鱼群密度估计算法取得了一定的成果，但关于鱼群计数研究方面仍然有很大的研究空间，因此，下一步的研究方向可以有以下几个方面： 1. 在对鱼群数据集进行图片标注时，由于是人工进行标注，而且多数图片的鱼头数量达到上千条，存在误标现象，同时数据集的匮乏也对性能的准确度造成影响；
第一章 绪论
1.1 研究背景及意义
当前，全球资源较为短缺，资源和环境保护作为人类世界可持续发展的基础，如何有效地利用资源和保护环境已经刻不容缓[1]。合理利用自然资源，建设生态文明，为奋进新征程、建功新时代凝心聚力，必将为把握历史主动、夺取新的胜利积势蓄能。
随着我国陆地资源开发的利用程度逐年增高，丰富的海洋资源进入到了大众视野。80%的生物资源分布在海洋，其中鱼类居多。海洋为人类提供的食物与陆地相比高达千倍以上，可为人类提供每年30亿吨的水产品，然而由于我国捕捞业技术还不够成熟，缺乏科学的、先进的鱼群检测手段，经常会造成盲目的捕捞，甚至过分捕捞，破坏了生态系统。同时，人类对占地球总面积3.6亿平方公里的海洋里的生物还知之甚少，目前为止，人类只探索了极少的海洋领域，大部分的海洋实况人类是一无所知的。鱼类是生物学上的重要研究对象，因其物种的古老和普遍性，使得鱼类对生物学有着重要的研究意义。目前对鱼群领域技术还很匮乏，由于没有对鱼群密度、数量有一定的数据支撑，很难通过准确获取鱼群的分布、数量，去研究鱼类的种群分布、群体组成等领域。通过获取自然水域中的鱼群数量或密度，可以有效的帮助渔业管理部门了解水域中海洋生物的真实情况，也可以帮助主管部门合理的制定渔业政策，也可以帮助渔民有计划性的进行捕捞，以保护生态并促进鱼类的繁衍生长。对鱼类养殖企业来说，及时的获取固定养殖水域中鱼群的数量可以帮助企业实现饵料的精准投喂，有效的帮助企业节省饵料成本并保持水质的洁净。因此，鱼群密度估计有着重要的实用价值，正逐渐引起产业界和众多专家学者们的关注。
1.2 国内外研究现状
1.2.1 传统的鱼群计数方法
在渔业养殖生产领域，越来越多的研究人员意识到鱼群计数的重要性，并针对鱼群计数所面临的困难想出了各种方法进行解决。传统的鱼群计数方法[4]主要是基于人工标记、人工统计的手段进行鱼群计数。但这种人工计数方法不但计数速度慢，而且容易出错并对鱼造成伤害。
伴随着机器学习的发展对于传统计数方法存在的缺陷，有研究学者提出采用基于机器的无损检测方法对鱼群进行计数，李伯珩等人[5]通过实验分析了单通道光电式鱼苗计数器中静态高度、入口管径、测鱼管内径、管路长度等各个参数对技术误差和生产率的影响，应用正交设计和试验建立了他们之间的关系式。易金根等人[6]提出了一种多通道鱼苗计数器，主要原理是基于光/电/微机一体化的设计，并给出主要电路程序框图。陈金坤[7]提出了一种利用喷水滚筒和光敏传感器结合的方式进行鱼苗计数的装置。张康德[8]提出一种新的光电转换方法，集合各个点的透过光强度，通过光电转换方式，对鱼苗、虾苗进行计数。此外，张康德[9]还受红血球计数原理的启发，运用框格对鱼苗、虾苗进行计数。
然而这些方法易受到鱼类尺寸、通道大小等客观因素的影响，并且其硬件设备价格相对来说比较昂贵。在监测和评估鱼类种群的过程中，声纳系统已被证明是一种实用且有效的测量方法。双频识别声呐(DIDSON)能够在混浊黑暗的水下环境获取较为清晰的鱼群图片，张进等人[10]对DIDSON的鱼群视频进行一种基于智能视觉的鱼群数量估计。童剑锋等人[11]提出了一种基于DIDSON声学摄像仪的溯河洄游幼香鱼计数的新方法，准确计算了向上游移动香鱼的数量。
第二章 理论基础
2.1 深度学习
2006年， Geoffrey Hinton教授对传统的神经网络算法进行调整优化，在此基础上提出了Deep Neural Network[55]的相关的概念，2012年，Geoffrey Hinton科研团队在参加业界知名的ImageNet图像识别国际大赛中，构建的CNN网络AlexNet[25]一战成名夺得冠军头衔，结果远超第二名（SVM方法[56]）。也恰恰因为该比赛，深度学习的相关概念进入到大众视野，吸引了越来越多的关注。
大脑神经主要由神经元组成，通过神经元的突触接收外界信号，当达到一定阈值，便会触发相应的动作电位，利用突触释放的一些特殊的神经递质，作用于其它神经元。以此实现一系列大脑的计算、记忆、逻辑处理等行为，同时不断地在不同神经元之间构建、改造。图2-1是生物神经网络及神经元的基本组成部分。
科学家们从生物神经网络的运作机制得到启发，构建了人工神经网络。其实人类很多的发明都是从自然界模仿得来的，比如飞机和潜艇等。科学家McCulloch和Pitts在1943年提出了如图2-2所示的最经典的M-P神经元模型[58]，他们将神经元的整个工作过程抽象为下述的模型。
2.2 卷积神经网络
卷积神经网络（Convolutional Neural Networks, CNN）[59]是一类由卷积计算组成的前馈神经网络，旨在图像任务中具有平移不变性（可识别的图像对象在不同位置具有相同的值），并在图像处理等任务中表现良好。
2.2.1 卷积运算的原理
卷积技术可以广泛用到信号处理、图像处理和其他工程科学等领域。卷积神经网络（CNN）模型架构的名称归功于卷积计算。然而，深度学习中的“卷积”更多的指的是信号处理中两个函数之间的滑动点积或滑动内积的互相关(cross-correlation)[60]。在互相关中，卷积核（convolution filter，也称为kernel）没有经过反转，而是直接经过函数 f，互相关指的是f 与g 两个函数之间的交集区域。严格来说，这是互相关运算的离散形式，本质上是执行逐元素乘法及求和。
第三章 基于冗余裁剪的高密度鱼群密度估计算法 .............................. 15
3.1 引言 ............................................... 15
3.2 整体框架 .......................................... 15
第四章 基于残差学习和对抗网络的鱼群密度估计算法 ............................. 28
4.1 引言 ....................................... 28
4.2 整体框架 ..................................... 28
第五章 总结与展望 ................................. 36
5.1 总结 ....................................... 36
5.2 展望 .............................................. 37
第四章 基于残差学习和对抗网络的鱼群密度估计算法
4.1 引言
当面对的鱼群图片存在密度高、尺度变化大以及严重的遮挡这些问题时，基于冗余裁剪的鱼群密度估计算法可以在一定程度上解决问题，但是在网络学习特征的过程中，对于细节特征的利用不够充分并且随着多列卷积网络的结构复杂，在处理特征的过程中会产生的计算量较大从而降低网络性能，因此基于冗余剪裁的鱼群密度估计算法，虽然在一定程度上对于密度高、尺度变化大以及严重的遮挡的数据可以更好地处理，使密度估计工作更好地完成，但同时也会产生更大的损耗，在计数准确率以及网络架构方面也存在一定的提升空间；同时，生成密度图的质量高低直接影响了计数精度，这就倒逼算法在如何生成更高质量的密度图上下功夫。
为了在高密度、大尺度变化和严重遮挡的鱼群图像中进行更加精准的密度估计，本章提出了一种鱼群密度估计算法(FishCount-v2)，该算法使用残差学习和对抗网络来训练产生高质量的密度图，提高鱼群计数的精度。一方面，设计了一种残差学习网络作为对抗网络中的生成器，使用MobileNet V2作为主干网络，最终得到的特征图生成的密度图是较为粗略的密度图，在此基础上将浅层网络和深层网络以残差学习的方式融合，渐进性地生成更加精细的预测密度图。另一方面，通过判别器来区分生成密度图和真实密度图，通过对抗学习来得到质量更高的密度图。
第五章 总结与展望
5.1 总结
中国由于其良好的自然条件和广阔水域，它具有发展水产养殖的巨大潜力。通过精准掌握鱼群的数量，可以实现饵料的精准投喂，准确获取鱼群的分布、数量，去研究鱼类的种群分布、群体组成等领域。因此，针对水下鱼群密度估计任务缺乏海量、高质量的标注数据以及存在图像模糊、失真、目标小、密度大、噪声多等问题，本文设计了两种鱼群密度估计算法，通过实验结果的分析，本文所提出的算法取得了优异的计数效果。最后，本文所做的主要研究内容如下：
1. 提出了一种基于冗余裁剪的高密度鱼群密度估计算法(FishCount-v1)。首先对收集到的鱼群图片使用一种冗余裁剪的数据增广技术，通过滑动窗口式的裁剪方式，解决了原始图片参数量过大导致网络训练困难的问题；同时也冗余地保留了图片的一些特征细节，提高了网络的精度；另外，裁剪后的图片有部分鱼是不完整的，而冗余裁剪后，可以保证鱼群图片的完整性，使得网络能够更好地进行训练。OSA模块经过优化，作为一个良好的特征提取器，结合了前面卷积层的所有参数，使卷积网络在学习过程中更深入、更准确、更有效。多列卷积模块和SENet模块有效地适应因拍摄角度和分辨率产生的不同鱼头大小，自适应地重新校准通道的特征响应，自适应学习了通道之间的相关性，筛选出了各个通道的注意力，得到最终的密度图，最后得到具体的鱼群数量。
2. 提出了一种通过对抗网络生成高质量密度图的鱼群密度估计算法(FishCount-v2)。一方面，设计了一种残差学习的网络作为对抗网络中的生成器，使用轻量化网络MobileNet v2作为主干网络，以此来获得更好的性能和更低的浮点运算，并使用由最终层生成的密度图作为粗略特征图，较深的卷积层去学习捕捉抽象概念，往往会丢失图像中的低级细节，故使用渐进的方式，即将深层卷积和浅层卷积相结合，通过残差学习来细化和生成更精细的密度图。另一方面，真实的图像分布和生成的图像分布之间存在差异，通过对抗网络中的判别器来区分真实和虚假的图像分布，然后继续训练残差学习网络来生成与真实分布相匹配的图像分布使得生成密度图更接近于真实密度图，对抗学习后得到质量更高的密度图，以此来提高鱼群计数的精准性。
参考文献（略）