文献类型：期刊文章

作　　者：项和雨[1] 邹斌[1] 唐亮[2] 陈维国[3] 饶凯锋[4,5] 刘勇[2] 马梅[5,6] 杨艳[7]

XIANG Heyu;ZOU Bin;TANG Liang;CHEN Weiguo;RAO Kaifeng;LIU Yong;MA Mei;YANG Yan(Hubei Key Laboratory of Applied Mathematics,School of Mathematics and Statistics,Hubei University,Wuhan 430062,China;CASA(Wuxi)Environmental Technology Company Limited,Wuxi 214024,China;School of Economics and Management,Beijing University of Technology,Beijing 100124,China;State Key Joint Laboratory of Environment Simulation and Pollution Control,Research Center for Eco-Environmental Sciences,Chinese Academy of Sciences,Beijing 100085,China;Key Laboratory of Drinking Water Science and Technology,Research Center for Eco-Environmental Sciences,Chinese Academy of Sciences,Beijing100085,China;College of Resources and Environment,University of Chinese Academy of Sciences,Beijing 101407,China;College of Computer,Wuhan Qingchuan University,Wuhan 430204,China)

机构地区：[1]湖北大学,数学与统计学学院,应用数学湖北省重点实验室,武汉430062 [2]无锡中科水质环境技术有限公司,无锡214024 [3]北京工业大学,北京现代制造业发展基地,北京100124 [4]中国科学院生态环境研究中心,环境模拟与污染控制国家重点联合实验室,北京100085 [5]中国科学院生态环境研究中心,中国科学院饮用水科学与技术重点实验室,北京100085 [6]中国科学院大学,资源与环境学院,北京101407 [7]武汉晴川学院,计算机学院,武汉430204

出　　处：《生态学报》

基　　金：国家自然科学基金面上项目(61772011);中国科学院前沿项目(QYZDY-SSW-DQC004);北京市科技计划项目(Z171100004417025);山西省智能信息处理重点实验室开放项目(CICIP2018002)。

年　　份：2021

卷　　号：41

期　　号：17

起止页码：6883-6892

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EAPJ、GEOBASE、IC、JST、PROQUEST、RCCSE、SCOPUS、WOS、ZGKJHX、核心刊

摘　　要：浮游植物作为水生态系统中最重要的生物组成部分之一,对水环境敏感,在水环境监测中得到了广泛的关注。然而水生环境复杂多样,准确高效地识别浮游植物是监测工作中的一大挑战。当前浮游植物识别方法可分为经典形态学分类、分子标记和人工智能图像识别三类。前两种方法已被广泛采用,但费时费力,不利于监测机构的大规模应用和推广。同样,利用图像进行自动化分类难以在高准确率与高效率上达到平衡。深度学习技术的发展为此提供了新思路。本文提出一种新的深度卷积神经网络RAN-11。该网络以残差注意力网络Attention-56和Attention-92为基础,凭借通道对齐融合主干上的底层特征与顶层特征,通过调整注意力模块和残差快个数以精简结构,并引入了Leaky ReLU激活函数代替ReLU。以太湖11个优势属共计1036张图像为数据来源进行对比验证。除星杆藻外,RAN-11对单一优势属的的查准率都在90%以上,并且有5个优势属达到100%的查准率。RAN-11的识别准确率为95.67%,推理速率为41.5帧/s,不仅比Attention-92(95.19%的准确率,23.6帧/s)更准确,而且比Attention-56(94.71%的准确率,41.2帧/s)更快,真正兼顾了准确率与效率。研究结果表明:(1)RAN-11在查准率、准确率和推理速率上优于原始残差注意力网络,更优于以词包模型为代表的传统图像识别方法;(2)融合多尺度特征、精简网络结构和优化激活函数是提高卷积神经网络性能的有力手段。建立在经典分类基础之上,本文提出新的残差注意力网络来提升浮游植物鉴定技术,并构建出浮游植物自动化识别系统,识别准确率高、易于推广,对于实现水体中浮游植物的自动化监测具有重要意义。

关 键 词：水质监测 浮游植物识别  残差注意力网络  深度学习  

分 类 号：Q948.8[植物生产类]