中國水產(chǎn)科學(xué)研究院東海水產(chǎn)研究所漁業(yè)遙感與信息技術(shù)研究室論文“Developing machine learning methods for automatic recognition of fishing vessel behaviour in theScomber japonicusfisheries”近日在海洋學(xué)國際期刊《Frontiers in Marine Science》（JCR分區(qū)一區(qū)）中發(fā)表。該成果得到了國家自然科學(xué)基金重點(diǎn)項(xiàng)目、浙江省海洋漁業(yè)資源可持續(xù)利用技術(shù)研究重點(diǎn)實(shí)驗(yàn)室開放課題的支持。

日本鯖（Scomber japonicus）是一種暖水性中上層長距離洄游魚類，廣泛分布于西北太平洋沿海海域。中國漁船主要通過燈光圍網(wǎng)和燈光敷網(wǎng)等方式在該海域捕撈日本鯖等漁業(yè)資源。近年來，對漁船作業(yè)過程的監(jiān)控受到越來越多的關(guān)注，為提高漁業(yè)船舶管理效能、規(guī)范漁船作業(yè)過程，國內(nèi)外提出了多種漁船監(jiān)控措施。對作業(yè)漁船捕撈過程進(jìn)行監(jiān)控，不僅對科學(xué)推動(dòng)漁業(yè)發(fā)展具有重要作用，還對漁業(yè)船舶管理、安全生產(chǎn)、生態(tài)保護(hù)及實(shí)行國際履約等具有顯著的實(shí)際意義。本文將深度學(xué)習(xí)方法應(yīng)用到日本鯖捕撈漁船的行為識(shí)別中，監(jiān)控日本鯖漁船的放網(wǎng)、收網(wǎng)、轉(zhuǎn)載等9種行為，能夠?yàn)闈O業(yè)生產(chǎn)提供參考。本文首先探究了卷積層數(shù)對識(shí)別效果的影響，并在此基礎(chǔ)上融入了池化層、LSTM長短時(shí)期記憶模塊以及注意力機(jī)制（包括SE和CBAM），觀察各模塊的優(yōu)化效果。試驗(yàn)結(jié)果表明，深度學(xué)習(xí)方法在日本鯖漁船行為識(shí)別方面具有突出的性能。LSTM和SE模塊組合在網(wǎng)絡(luò)上產(chǎn)生了最明顯的優(yōu)化效果，優(yōu)化后的模型在測試集中可以獲得97.12%的F1分?jǐn)?shù)，超過了經(jīng)典的ResNet、VGGNet以及AlexNet在日本鯖漁船行為識(shí)別任務(wù)中的表現(xiàn)。