文献

J-GLOBAL ID：202002252098506360   整理番号：20A1596176

深さ学習に基づく刺網と曳網作業タイプ識別研究【JST・京大機械翻訳】

Fishing type identification of gill net and trawl net based on deep learning

著者 (4件)： Tang Xianfeng (中国水産科学研究院東海水産研究所,農業農村部東海漁業資源開発利用重点実験室,上海 200090;上海海洋大学信息学院,上海 201306) ,  Zhang Shengmao (中国水産科学研究院東海水産研究所,農業農村部東海漁業資源開発利用重点実験室,上海 200090) ,  Fan Wei (中国水産科学研究院東海水産研究所,農業農村部東海漁業資源開発利用重点実験室,上海 200090) ,  Pei Kaiyang (中国水産科学研究院東海水産研究所,農業農村部東海漁業資源開発利用重点実験室,上海 200090;上海海洋大学信息学院,上海 201306)
資料名： Haiyang Yuye  (Haiyang Yuye)
巻： 42  号： 2  ページ： 233-244  発行年： 2020年 
JST資料番号： C2689A  ISSN： 1004-2490  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 中国 (CHN)  言語： 中国語 (ZH)

抄録/ポイント： 漁船の作業タイプは多種に分けられ、典型的な近海漁獲作業方式の刺網と曳網漁獲漁船は総船数の72.6%を占め、正確な漁船作業類型識別は漁船管理を補助できる。北斗漁船の監視システム(vesselmonitoringsystem,VMS)データを利用して、刺網と曳網作業の分類識別方法を提案し、曳網と刺網漁船の作業軌跡にある程度の差があるため、各船舶の航跡情報を抽出した。次に,航法情報に従って,オリジナルの刺し網と曳航した船のVMSを複数の航法データに分割して,航跡線図を,航跡データにおける経度データ量によって描出して,次に,航跡線図を,深さ畳込みニューラルネットワークモデルによって訓練した。こうして,刺し網と曳網作業の型識別を実現した。自己定義の10層CNNモデル及び移動学習とモデル微調整方法を用いた調整後のVGG-16モデルの比較実験により、自己定義のCNNモデルの最終精度が94.3%であり、本方法の実行可能性を証明でき、モデルは補助刺網と応用に用いることができる。曳網作業タイプ判断。Data from Wanfang. Translated by JST.【JST・京大機械翻訳】

シソーラス用語： *学習 ,  船舶 ,  漁船 ,  経度 ,  監視装置 ,  漁獲 ,  比較試験 ,  近海 ,  *刺網
準シソーラス用語： *曳網 ,  データ量 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (3件)： 漁獲法  (FH03030C) ,  漁船  (QJ05021N) ,  水産業一般  (FH01010S)

タイトルに関連する用語 (6件)： 学習 ,  刺網 ,  曳網 ,  タイプ ,  識別 ,  研究