.png){kind=icon}
返回
RTI-net: A decision support system for fish stress classification using multimodal learning network
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2025.127174.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在现代水产养殖中，鱼类应激状态的准确分类不仅对于满足生产需求至关重要，也有助于契合消费者对食品质量的期望。因此，在养殖过程中确保鱼类的健康和生长质量已成为行业的重点。然而，依赖单模态信息进行鱼类应激分类往往因相关特征的表征不完整而得出不准确结论。因此，挑战在于整合多模态信息以提高鱼类应激分类的准确性。本研究旨在通过多模态学习方法提升鱼类应激分类的准确率。在当前的研究阶段，大多数现有的鱼类应激分类方法依赖单一特征，凸显了通过解决当前方法局限性而开发一种新颖且有效的多模态分类系统的必要性。本研究提出了一种名为RTI-net的决策支持系统，专门用于鱼类应激分类。采用多模态传感系统对鲟鱼进行非破坏性特征采集，利用RGB、TIR和IMP数据模态。RTI-net采用早期、中期和晚期融合方法以适应原始数据的独特特性。该系统通过减少非图像数据全连接层中的神经元数量来缓解计算挑战，并通过数据增强技术增强特征处理，旨在提高分类准确率。实验结果表明，在多模态数据集上，RTI-net实现了94.43%的准确率、95.80%的精确率、94.52%的召回率以及0.9485的F1分数，显著优于其他先进方法。这一创新方法不仅减少了鱼类的质量损失，还提高了生产力和经济效益，为行业发展提供了有效支持。
Keyword:
Multimodal learning
Data fusion
Feature fusion
Decision system
Fish classification
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
暂无机构信息
引用论文
.png){kind=icon}
Stress fusion evaluation modeling and verification based on non-invasive blood glucose biosensors for live fish waterless transportation基于无创血糖生物传感器的活鱼无水运输应力融合评价建模与验证
OAAI
OAAI分享收藏Computer Vision Models in Intelligent Aquaculture with Emphasis on Fish Detection and Behavior Analysis: A Review智能水产养殖中的计算机视觉模型，重点是鱼类检测和行为分析: 综述
PREAI
分享收藏分享收藏
查看更多内容