Freshness recognition of small yellow croaker based on image processing and improved DenseNet network
-
摘要:
传统水产品新鲜度检测方法存在对样本破坏较大、操作步骤繁琐、检测准确率及效率较低等一系列问题。针对上述问题，以小黄鱼(Larimichthys polyactis)新鲜度高效、准确识别为目标，提出了一种基于改进DenseNet网络的小黄鱼新鲜度识别模型。首先，在DenseNet网络结构中的每个Denseblock模块引入SENet注意力机制模块，实现特征通道特征重标定，加强网络对当前有益特征的提取，摒弃无作用的特征。其次，改进卷积层的第一层，增加网络的非线性能力和特征表达能力。为防止训练过程中出现梯度消失的现象，用PReLU激活函数代替原网络的ReLU激活函数。最后，与原DenseNet网络模型及其他经典神经网络模型进行对比实验。结果表明，构建的基于迁移学习的FishNet模型在自建的小黄鱼新鲜度数据集上识别准确率达91.53%，模型具有较高的识别准确率和较强的鲁棒性，解决了水产品新鲜度检测高效和精准识别问题，也为开发智能新鲜度识别系统提供了参考。
Abstract:Traditional freshness detection methods for aquatic products have problems such as great sample damage, trivial operation steps, low detection accuracy and efficiency. To solve these problems, in order to efficiently and accurately identify the freshness of small yellow croaker (Larimichthys polyactis), we proposed a freshness recognition model based on an improved DenseNet network. Firstly, we introduced the SENet attention mechanism module into each dense block module in the DenseNet network structure to achieve feature channel feature recalibration, enhance the network's extraction of current beneficial features, and eliminate irrelevant features. Secondly, we improved the first layer of the convolutional layer to enhance the network's non-linear ability and feature representation ability. To prevent the phenomenon of gradient vanishing during the training process, we used the PReLU activation function instead of the ReLU activation function of the original network. Finally, we conducted comparative experiments with the DenseNet network model and other classic neural network models. The experimental results show that the FishNet model based on transfer learning constructed in this paper has a recognition accuracy of 91.53% on the built L. polyactis freshness dataset. The model has high recognition accuracy and strong robustness, achieving efficient and accurate recognition of aquatic product freshness detection, and providing references for the development of intelligent freshness recognition systems.
-
Keywords:
- Larimichthys polyactis /
- Freshness detection /
- DenseNet /
- Attention mechanism /
- Image recognition
-
长心卡帕藻(Kappaphycus alvarezii)隶属于红藻门、红藻纲、杉藻目、红翎菜科、卡帕藻属[1]，主要分布在热带和亚热带海区，因富含κ-卡拉胶，是国际主要栽培经济红藻之一，也是提取卡拉胶的主要原料。根据FAO统计，2010年全球长心卡帕藻(包括麒麟菜)养殖产量达到560×104 t[26]，是产量最高的养殖种类。
长心卡帕藻的苗种繁育和生长主要通过营养繁殖进行。因此，国内外学者已在长心卡帕藻外植体消毒[2]、生态型差异[3-6]、光合作用与生态效应[7-8]、原生质体与组织培养[9-12]、海区栽培[13-17]等方面开展了大量的研究工作。作为营养繁殖种类，长心卡帕藻的生长主要依赖于芽发生和分枝的生长，但在其生长方式方面，学者间存在着不同的认识。POLNE-FULLER和GIBOR[9]认为长心卡帕藻的类愈伤组织源于皮层细胞；DAWES和KOCH[10]则认为类愈伤组织可能起源于髓部细胞；ROBAINA等[11]重点研究了不同培养液与类愈伤组织形成及芽生长的影响；HAYASHI等[12]详细探讨了不同培养液以及不同植物生长调节剂对微繁殖体生长的影响。但迄今为止，在切段方式及培养条件对长心卡帕藻芽分生及生长状况方面尚未见报道。
中国海南岛海区出现了栽培的异枝卡帕藻(K.striatum)大规模死亡事件以来，自2008年起先后从菲律宾、越南、印度尼西亚等国家新引进长心卡帕藻(绿色株型为主)进行试养，但苗种扩繁及度夏技术仍不成熟，养殖业仍然无法得到有效恢复。文章研究了长心卡帕藻外植体组织培养生长适宜温度，并且比较了温度条件、切段长度、切段方式等对再生芽生长的影响，以期为长心卡帕藻的种质保存及苗种快繁提供技术支持。
1. 材料与方法
1.1 材料来源
长心卡帕藻由中国海洋大学大型海藻种质资源库提供(种质编号201103140)，2011年3月采集于海南省陵水县黎安港(18.38°N，110.46°E)。
1.2 试验材料预处理方法
选择颜色正常、无腐烂、生长旺盛的植株，清理藻体表面污泥及杂藻，经0.01%氯化汞(HgCl2)处理15 s，无菌海水冲洗干净；在生物安全柜中进行无菌切段处理。
1.3 最适生长温度筛选
选取5 cm切段放置于500 mL锥形瓶中培养，加入500 mL培养液。培养液为煮沸消毒的天然海水，硝酸钠(NaNO3)24.3 mg · L-1，磷酸二氧钾(KH2PO4)1.75 mg · L-1。光照强度62.5 μmol·(m2 · s)-1，光照周期12 h∶ 12 h。培养温度设置为(10±1)℃、(15±1)℃、(20±1)℃、(25±1)℃和(30±1)℃ 5组，每组设置5个平行。分别称量培养前和培养后(10 d后)切段鲜质量。
1.4 芽诱导条件
分别以1 cm、3 cm和5 cm作为切段长度，芽诱导温度设置为(20±1)℃和(25±1)℃；分别沿藻体纵轴进行横切(90°)和斜切(45°)；对5 cm切段，增设剥除3 mm×5 mm大小的2片皮层试验组。
每试验组切段为20株，培养条件同1.3。每7 d更换培养液，每2 d观察并记录出芽位置及数量。
1.5 数据处理与分析
增重率(%)=(最终鲜质量－初始鲜质量)/初始鲜质量×100
个体平均出芽数(个)=出芽总数/切段总数
出芽率(%)=100×已出芽个体数/总个体数
试验数据利用SPSS 13.0软件进行均值计算和方差分析。
2. 结果
2.1 最适生长温度
试验范围内，长心卡帕藻外植体切段生长适温为15~25 ℃，平均增重率为2.48 %~14.90 %；外植体切段最适生长温度为20 ℃，平均增重率为14.90%，且与其余各试验组差异极其显著(表 1)，鲜质量倍增时间约为47 d[log(1+0.0149)2=46.9]。
表 1 长心卡帕藻切段在不同温度下培养10 d后的鲜质量增长变化Table 1. Weight gain of K.alvarezii cultured for 10 d at different temperatures温度/℃ temperature 初始鲜质量/g initial weight 最终鲜质量/g final weight 平均增重率/% average weight gain rate 10 0.35±0.26 0.34±0.25 -1.88±1.43 15 0.42±0.15 0.43±0.15 2.48±0.94 20 0.40±0.02 0.46±0.03 14.90±1.12b 25 0.43±0.02 0.48±0.03 10.83±0.71a 30 0.23±0.03 0.20±0.02 -9.44±1.33a 注：a. 差异显著(P < 0.05)；b. 差异极显著(P < 0.01)；后表同此
Note：a. significant difference (P < 0.05)；b. very significant difference(P < 0.01). The same case in the following tables.2.2 芽诱导条件
诱导温度、切段长度和切段方式对长心卡帕藻外植体切段的出芽均存在着显著影响，且各因素交互影响极其显著(P < 0.01)(表 2)。培养27 d后，25 ℃下的各试验组出芽数量均显著高于20 ℃试验组(P < 0.01)(图 1-a)，较高的培养温度对于长心卡帕藻外植体切段出芽具有明显的促进作用。试验范围内，25 ℃、1 cm、横切试验组个体平均出芽数最高(1.50个)，为长心卡帕藻最优的出芽诱导条件。
表 2 长心卡帕藻培养27 d发芽情况统计Table 2. Statistics of germination of K.alvarezii cultured for 27 d编号 No. 温度/℃ temperature 切段方式 cutting way 切段长度/cm cutting length 个体数/个 number of individuals 发芽率/%g ermination rate 个体平均出芽数/个 average number of buddings 1 25 横切 1.0 20 100 1.50±0.05 b 2 25 横切 3.0 20 100 1.40±0.04 b 3 25 横切 5.0 20 100 1.10±0.04 b 4 25 斜切 1.0 20 100 1.35±0.05 b 5 25 斜切 3.0 20 50 0.50±0.05 6 25 斜切 5.0 20 40 0.90±0.10 b 7 20 横切 1.0 20 85 1.30±0.06 b 8 20 横切 3.0 20 30 0.30±0.04 b 9 20 横切 5.0 20 40 1.00±0.12 b 10 20 斜切 1.0 20 40 0.40±0.04 b 11 20 斜切 3.0 20 20 0.20±0.03 b 12 20 斜切 5.0 20 40 0.50±0.06 13 25 横切去皮层 5.0 20 30 0.80±0.11 b 14 20 横切去皮层 5.0 20 30 0.50±0.07 ![]()
图 1 不同温度(a)和切段方式(b)对长心卡帕藻个体出芽率的影响(27 d)Figure 1. Effect of different temperatures (a) and cutting ways(b)on growth of K.alvarezii (27 d)25℃下不同切段方式的出芽率和出芽数量结果见表 2。横切试验组发芽率均为100%，个体平均出芽数为1.10~1.50个；而斜切试验组中1 cm切段发芽率和个体平均出芽数最高，分别为100%和1.35个。试验结果显示，25 ℃培养、相同切段长度的横切试验组平均个体出芽数均大于斜切试验组(P < 0.01)，表明横切方式有利于促进长心卡帕藻外植体切段出芽(图 1-b)。
在相同的切段方式下，1 cm切段组个体平均出芽数极其显著优于3 cm组和5 cm组(P < 0.01)，表明短切段有助于提高长心卡帕藻外植体出芽的数量。
2.3 切段出芽过程
25 ℃、1 cm的横切试验组(图 2)，培养第15天开始出芽，第23天发芽率已经达到100%；个体平均出芽数于培养第29天达到最大值(1.60个)，但在培养第23天时出现了缓慢增长趋势；相对而言，略低于YUNQUE等[2]的研究结果，其认为25 ℃、pH=8.7出芽数量最多，个体平均出芽数约为1.80个，并且在培养第19天开始出芽。
![]()
图 2 长心卡帕藻的个体平均出芽数和发芽率(25 ℃，1 cm横切条件下培养29 d)Figure 2. Average number of buddings and germination rate of K.alvarezii (25 ℃, 1 cm transected cutting, cultured for 29 d)2.4 出芽方式
长心卡帕藻外植体切段出芽方式主要包括了2种方式：1)位于切面的再生芽; 2)非切面发生的新生芽(图 3)。试验结果显示，切段长度是影响出芽方式的主要因素(表 3)，1 cm和3 cm切段组均为切面的再生芽，而5 cm切段组则包括了再生芽和新生芽。
表 3 横切处理组再生芽与新生芽数比较Table 3. Comparison of regeneration bud and newborn bud in transection group切段长度/cm cutting length 再生芽/个 regeneration bud 新生芽/个 newborn bud 1 27.0±1.4 a 0 3 14.5±12.0 0 5 1.5±0.7 11.0±8.5 去皮层(5 cm)decortication 1.0±0.0 12.0±4.2 ![]()
图 3 长心卡帕藻切段培养试验结果(27 d)a. 25 ℃, 1 cm横切；b. 25 ℃，1 cm斜切；c. 25 ℃，3 cm横切；d. 25 ℃，3 cm斜切；e. 20 ℃，5 cm横切；f. 25 ℃，去皮层处理Figure 3. Results of segment culture of K.alvarezii (27 d)a. 25 ℃, 1 cm transected cutting; b. 25 ℃, 1 cm inclined cutting; c. 25 ℃, 3 cm transected cutting; d. 25 ℃, 3 cm inclined cutting; e.20 ℃, 5 cm transected cutting; f. 25 ℃, cortex cutting对比5 cm切段试验组中剥除部分皮层对切段出芽的影响(表 2)，其明显抑制了切段的总体出芽数量(P < 0.01)。因此，保留皮层有助于提高出芽数量。在出芽方式上，剥除部分皮层则有助于促进新生芽的发生(表 3)。但是剥除部分皮层明显阻碍了个体出芽，未去皮层组的个体平均出芽数远高于去皮层组(图 4)。
![]()
图 4 剥除局部皮层对长心卡帕藻平均个体出芽数的影响(27 d)Figure 4. Effect of different decortications on average number of buddings of K.alvarezii cultured for 27 d3. 讨论
长心卡帕藻的温度生长表现出明显的热带海藻的生物学特性。在笔者试验范围内，其生长适宜温度为15~25 ℃。不同的环境条件对长心卡帕藻的生长具有明显的影响。长心卡帕藻的营养生长包括了出芽和芽的生长、分枝直径的增长。而环境决定了长心卡帕藻生长速度，尤其是室外培养生长率远高于室内培养，在之前的研究中，紫外线过滤、中盐[19]、高温、短的培养周期、浅水海域及低密度栽植等条件可显著促进长心卡帕藻生长，最高日生长速率可达7.27% ·d-1[14-5, 17, 20-21]。相对而言，在室内培养中，出芽数量和芽的生长是决定长心卡帕藻生长的主要因素。在笔者试验中，20 ℃培养长心卡帕藻切段10 d的增重率最高(达14.90%)，远高于赵素芬和何培民[18]的1.05% · d-1的试验结果，显示出此试验建立的切段培养体系对外植体切段营养繁殖具有良好的促进作用。
此试验条件下，长心卡帕藻外植体切段培养最适出芽温度为25 ℃，其中1 cm、横切试验组个体平均出芽数最高(1.50个)，为最优的出芽诱导条件。在对比温度、切段长度以及横切和斜切2种切段方式等不同条件来看，诱导温度、切段长度和切段方式均对出芽存在着显著影响。25 ℃较20 ℃可促进切段的出芽，与YUNQUE等[2]的研究结果一致。相对而言，切段长度较切段方式对出芽率和出芽数量的影响更为明显，短的切段(1 cm)以及横切(与藻体纵轴呈90°)有助于芽的发生。较长的切段(5 cm)抑制了横切面的再生芽发生数量，出芽部位主要集中在非切面的围周部皮层，并且显著促进了新生芽的发生。剥除部分皮层组织切段的培养结果显示，新生芽的比例远高于再生芽，而再生芽的发生可能主要源于髓部组织的分化，这与DAWES和KOCH[10]的观点相同，但其再生能力弱于皮层分生的新生芽。长心卡帕藻养殖主要是利用其良好的营养繁殖能力，以分枝方式进行吊养。因此，其生长方式主要是依靠新生芽的分化和生长来实现。而对于组织快繁苗种培养而言，根据笔者试验的结果，则应选择较短的组织切段来实现，提高其髓部再生芽的分生。在试验中增加髓部切面面积(斜切)并未明显的增加再生芽的数量，主要的原因可能在于切面细胞整体分化能力，而并非是由于切面细胞数量变化引起。关于再生芽的发生，有学者认为是由于皮层细胞或者是髓部细胞发生的类愈伤组织进一步分化[9-10]，而类愈伤组织分化部位的不同可能是培养基渗透压和琼脂含量的差异导致；但同时也有学者认为与琼脂含量无关[22]；在类愈伤组织分化包括了纤维状类愈伤组织或致密型类愈伤组织2种类型[9, 23-25]，而精胺处理则可提高类愈伤组织诱导效率。普遍认为纤维状类愈伤组织与再生芽的发生具有密切的联系，而笔者试验条件中再生芽发生试验结果显示，长心卡帕藻外植体切段大小及方式也与类愈伤组织分化具有明显的关系，进一步优化培养条件、促进再生芽的发生效率将对于长心卡帕藻组织快繁具有重要的现实意义。
最近的5年中，长心卡帕藻养殖业在亚洲东南部国家以及非洲坦桑尼亚的蓬勃发展，使之包括麒麟菜在内的养殖产量已超过了海带，成为全球最大宗的水生植物种类[26]。其产品除了可以作为海洋蔬菜食品外，还可以作为鲍养殖饵料，尤其是作为卡拉胶提取原料得到了广泛应用。依赖于营养繁殖进行种苗繁育，毫无疑问将占据大量的养殖环境，尤其是对于中国而言，适宜进行苗种繁育度夏的海域仍主要集中在海南三亚周边，受到养殖环境空间、蓝子鱼害以及多数海域夏季台风影响强烈等限制，最近5年中国长心卡帕藻养殖苗种完全依赖于海南省陵水县黎安港海域，苗种繁育规模十分有限。如何快速获得大量长心卡帕藻苗种，将是中国当前和未来长心卡帕藻养殖业发展的主要技术瓶颈。笔者通过试验研究，揭示了长心卡帕藻切段生长的环境及藻体处理方法等主要影响因素。在培养过程中，控制培养温度和切段长度可有效地促进再生芽的发生，以提高长心卡帕藻的营养繁殖效率，从而快速获得大量长心卡帕藻苗种。
-
表 1 4 ℃储存条件下小黄鱼TVB-N变化
Table 1 Change of TVB-N value of L. polyactis at 4 ℃ storage mg·100 g−1
时间
t/d样品1
Sample 1样品2
Sample 2样品3
Sample 3平均值
Mean1 9.70 10.10 10.40 10.06 2 12.10 12.10 12.90 12.36 3 15.30 14.90 15.60 15.26 4 21.80 21.40 22.10 21.76 5 29.70 29.50 29.20 29.46 6 47.60 46.70 47.80 47.36 7 68.90 72.40 74.20 71.83 
下载: 导出CSV
表 2 增强前后小黄鱼新鲜度图像数量
Table 2 Freshness images of small yellow croaker before and after enhancement
数据集
Dataset一级品
First-grade
products合格品
Qualified
products不合格品
Unaccepted
products总数量
Total
number增强前
Before enhancement300 325 307 932 增强后
After enhancement1 500 1 625 1 535 4 660
下载: 导出CSV
表 3 小黄鱼数据集划分表
Table 3 Partition table for L. polyactis dataset
新鲜度等级
Freshness grade训练集
Train set测试集
Test set总数量
Total number一级品 First-grade 1 200 300 1 500 合格品 Qualified 1 300 325 1 625 不合格品 Unaccepted 1 228 307 1 535 总计 Total 3 728 932 4 660
下载: 导出CSV
表 4 不同激活函数实验结果
Table 4 Experimental results of different activation functions
序号
No.激活函数
Activation准确率
Accuracy/%时间
t/s1 ReLU 88.00 30 2 Mish 81.78 29 3 LeakyReLU 86.71 28 4 PReLU 90.78 29 5 SELU 75.24 28
下载: 导出CSV
表 5 不同改进方案结果
Table 5 Results of different improvement plans
方案
Plan改进策略
Improvement strategy准确率
Accuracy/%损失值
Loss时间
t/s1 DenseNet 88.00 0.30 30 2 DenseNet-3×3 90.25 0.27 28 3 SE- DenseNet 90.89 0.26 29 4 FishNet 91.53 0.24 28
下载: 导出CSV
表 6 各模型实验对比结果
Table 6 Comparison results of various model experiments
序号
No.模型
Model准确率
Accuracy/%损失值
Loss时间
t/s1 ResNet18 78.67 0.50 28 2 GoogleNet 79.74 0.55 27 3 ResNet101 83.39 0.42 29 4 MobileNetV3 84.89 0.38 27 5 FishNet 91.53 0.24 28
下载: 导出CSV
-
[1] 梁龙, 宋大德, 康中杰, 等. 基于耳石地标点法的南黄海和东海小黄鱼种群关系研究[J]. 南方水产科学, 2023, 19(6): 21-29. [2] 王腾, 高春霞, 王少琴, 等. 浙江南部近海小黄鱼肌肉脂肪酸组成及食源指示分析[J]. 上海海洋大学学报, 2021, 30(6): 992-1001. [3] ZHOU T, DING Y X, BENJAKUL S, et al. Characterization of endogenous enzymes in sword prawn (Parapenaeopsis hardwickii) and their effects on the quality of muscle proteins during frozen storage[J]. LWT, 2023, 177: 152-165.
[4] KHUMNGERN S, NONTIPICHET N, THAVARUNGKUL P, et al. A simple colorimetric histamine sensor based on smartphone digital image processing for fish quality assessment[J]. J Food Compos Anal, 2024: 126105934.
[5] DOYEONG K, SUNGWOO P, HANSEUNG S. Fish freshness indicator for sensing fish quality during storage[J]. Foods (Basel, Switzerland), 2023, 12(9): 112-145.
[6] 刘琳, 焦文娟, 赵甜甜. 电子鼻结合生物胺分析淡水鱼贮藏过程中的品质变化[J]. 现代食品科技, 2024, 40(1): 137-148. [7] CHEN L H, WANG Y Y, ZHU C, et al. Effects of high-pressure processing on aquatic products with an emphasis on sensory evaluation[J]. Int J Food Sci Technol, 2022, 57(11): 6980-6996. doi: 10.1111/ijfs.16068
[8] El F A S, YOUNES A A, EMEL O, et al. Edible Xanthan/Propolis coating and its effect on physicochemical, microbial, and sensory quality indices in mackerel tuna (Euthynnus affinis) fillets during chilled storage[J]. Gels, 2022, 8(7): 42-113.
[9] ZHANG L J, ZHOU G X, CHEN A B, et al. Rapid computer vision detection of apple diseases based on AMCFNet[J]. Multimed Tools Appl, 2023, 82(29): 44697-44717. doi: 10.1007/s11042-023-15548-x
[10] TAHERI-GARAVAND A, FATAHI S, BANAN A, et al. Real-time nondestructive monitoring of Common Carp Fish freshness using robust vision-based intelligent modeling approaches[J]. Comp Electron Agric, 2019, 159: 16-27.
[11] CARLOS E M, MACIEL L A, TEIXEIRA A D. Computer vision and machine learning for tuna and salmon meat classification[J]. Informatics, 2021, 8(4): 61-70.
[12] 焦俊, 王文周, 侯金波, 等. 基于改进残差网络的黑毛猪肉新鲜度识别方法[J]. 农业机械学报, 2019, 50(8): 364-371. [13] AMIN U, SHAHZAD I M, SHAHZAD A, et al. Automatic fruits freshness classification using CNN and transfer learning[J]. Appl Sci, 2023, 13(14): 2812-2856.
[14] LIU Z. Soft-shell shrimp recognition based on an improved AlexNet for quality evaluations[J]. J Food Engin, 2020, 26: 50-73.
[15] BANWARI A, JOSHI R C, SENGAR N, et al. Computer vision technique for freshness estimation from segmented eye of fish image[J]. Ecol Inform, 2022, 69: 101602. doi: 10.1016/j.ecoinf.2022.101602
[16] 李振波, 李萌, 赵远洋, 等. 基于改进VGG-19卷积神经网络的冰鲜鲳鱼新鲜度评估方法[J]. 农业工程学报, 2021, 37(22): 286-294. [17] TAHERI-GARAVAND A, NASIRI A, BANAN A, et al. Smart deep learning-based approach for non-destructive freshness diagnosis of common carp fish[J]. J Food Engin, 2020, 278: 13-25.
[18] 杨兆甜, 李方巍, 王震昊, 等. 食品颜色评价及在食品工业中的应用[J]. 食品工业科技, 2021, 42(24): 417-423. [19] 肖莹莹, 宋思园, 全育集, 等. 马头鱼挥发性盐基氮含量测定不确定度评定[J]. 广州化工, 2023, 51(7): 101-102, 106. [20] 邵宏宏, 周秀锦, 相兴伟, 等. 4种海产品冷藏期间挥发性盐基氮和生物胺含量变化[J]. 食品安全质量检测学报, 2022, 13(9): 2794-2801. [21] HUANG G, LIU Z, LAURENS V, et al. Densely connected convolutional networks[J]. IEEE Comp So, 2016. DOI: 10.1109/CVPR.2017.243.
[22] 张国忠, 吕紫薇, 刘浩蓬, 等. 基于改进DenseNet和迁移学习的荷叶病虫害识别模型[J]. 农业工程学报, 2023, 39(8): 188-196. [23] PAN C Y, LIAN L Y, CHEN J Y, et al. FemurTumorNet: bone tumor classification in the proximal femur using DenseNet model based on radiographs[J]. J Bone Oncol, 2023, 42: 100491-100504.
[24] ELIF M, CANER O, DILARA O, et al. DenseNet-based ensemble network for land cover and land use classification of patch-based denoised SAR images[J]. Arab J Geosci, 2023, 16(11): 37-39.
[25] LI X, SHEN X, ZHOU Y X, et al. Classification of breast cancer histopathological images using interleaved DenseNet with SENet (IDS Net)[J]. PLoS One, 2020, 15(5): e0232127. doi: 10.1371/journal.pone.0232127
[26] MASOOD A, YE Z F. Improvement of joint optimization of masks and deep recurrent neural networks for monaural speech separation using optimized activation functions[J]. Chin J Acoust, 2020, 39(3): 420-432.
[27] JASNA C, MARKO K, ANGELINA T, et al. Adaptive sigmoid-like and PReLU activation functions for all-optical perceptron[J]. Opt Lett, 2021, 46(9): 2003-2006. doi: 10.1364/OL.422930
[28] HIMANI K, YOTI A, MANOJ K. An improved method for text detection using Adam optimization algorithm[J]. Global Trans Proc, 2022, 3(1): 230-234. doi: 10.1016/j.gltp.2022.03.028
[29] ZHOU Y X, CHANG S, YAN F, et al. Balanced loss function for accurate surface defect segmentation[J]. Appl Sci, 2023, 13(2): 821-826. doi: 10.3390/app13020821
[30] 杨魏华, 阮爱国, 黄国勇. 基于预训练GoogleNet模型和迁移学习的齿轮箱故障检测方法[J]. 机电工程, 2024, 40(2): 262-270. [31] 魏天琪, 郑雄胜, 李天兵, 等. 基于多组卷积神经网络的梭子蟹性别识别研究[J]. 南方水产科学, 2024, 20(1): 89-98. [32] 熊政, 车文刚, 保永莉, 等. 改进的MobileNetV3热轧钢带表面缺陷分类算法[J]. 陕西理工大学学报(自然科学版), 2023, 39(5): 30-37. -
期刊类型引用(5)
1. 童立豪，黄良夫，吴翔宇，石耀华，唐贤明. 切段部位、长度和培养温度对琼枝藻繁殖的影响. 热带生物学报. 2024(03): 361-367 . 
百度学术
2. 吴翔宇，邢诒炫，曾俊，陈明兴，杨守国. 长心卡帕藻两种颜色藻株的生长差异研究. 河北渔业. 2020(11): 20-22 . 百度学术
3. 邢诒炫，曾俊，吴翔宇，杨守国，黄敏，唐贤明. 三种热带经济海藻养殖现状与应用前景. 海洋湖沼通报. 2019(06): 112-120 . 百度学术
4. 陈海红，陈伟洲. 异枝江蓠切段培养的初步研究. 海洋湖沼通报. 2017(06): 146-152 . 百度学术
5. 陈素文，郭永坚，李俊伟，颉晓勇，朱长波. 海萝(Gloiopeltis furcata)藻体保存和容器内的培养方法. 渔业科学进展. 2016(03): 108-113 . 百度学术
其他类型引用(2)
计量
- 文章访问数: 255
- HTML全文浏览量: 125
- PDF下载量: 55
- 被引次数: 7
粤公网安备 44010502001741号
