一、介紹
魚類識別系統，基於TensorFlow搭建Resnet50卷積神經網絡算法，通過對30種常見的魚類圖片數據集（‘墨魚’、‘多寶魚’、‘帶魚’、‘石斑魚’等）進行訓練，最後得到一個識別精度較高的模型，然後搭建Web可視化操作平台。
技術棧：
- 項目前端使用Html、CSS、BootStrap搭建界面。
- 後端基於Django處理邏輯請求
- 基於Ajax實現前後端數據通信
選題背景與意義：
隨着計算機視覺技術的快速發展，基於深度學習的圖像識別系統在水產養殖、漁業管理及海洋生態研究等領域展現出重要應用價值。傳統魚類識別依賴人工經驗，效率較低且易出錯。本項目基於TensorFlow框架，採用ResNet50卷積神經網絡構建高效識別模型，通過對包含墨魚、多寶魚、帶魚、石斑魚等30種常見魚類圖像數據集的訓練，獲得較高精度分類能力。為進一步提升系統的可用性與交互性，項目結合Django後端框架與HTML、CSS、Bootstrap前端技術，並利用Ajax實現異步通信，搭建了一套功能完整的Web可視化操作平台，為魚類識別提供便捷、直觀的應用工具。
二、系統效果圖片展示
三、演示視頻 and 完整代碼 and 安裝
地址：https://ziwupy.cn/p/WoxehH
四、卷積神經網絡算法介紹
卷積神經網絡（CNN）是深度學習領域中專門用於處理具有網格結構數據（如圖像）的核心算法。其核心思想是通過三個關鍵操作來模擬人眼對圖像的局部感知機制：
- 卷積：使用多個可學習的“濾波器”在輸入圖像上滑動，提取局部特徵（如邊緣、紋理）。這種局部連接和權值共享的特性極大地減少了參數數量。
- 池化：對卷積後的特徵圖進行下采樣（如最大池化），保留主要特徵的同時減少數據維度，增強模型對微小位移的魯棒性。
- 全連接：將最終提取到的二維特徵圖“展平”成一維向量，並通過傳統的全連接層進行綜合判斷，輸出分類結果。
通過堆疊多個“卷積-池化”層，CNN能夠從底層到高層逐級提取並組合特徵，最終實現高效的圖像識別。
以下是一個使用TensorFlow的Keras API構建一個簡單CNN模型，並在MNIST手寫數字數據集上進行訓練的示例。
import tensorflow as tf
from tensorflow.keras import layers, models
# 1. 加載並預處理數據（MNIST數據集）
(train_images, train_labels), (test_images, test_labels) = tf.keras.datasets.mnist.load_data()
train_images = train_images.reshape((60000, 28, 28, 1)).astype('float32') / 255 # 歸一化並調整形狀為 (樣本數，高，寬，通道數)
test_images = test_images.reshape((10000, 28, 28, 1)).astype('float32') / 255
# 2. 構建CNN模型
model = models.Sequential([
# 第一層卷積和池化
layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),
layers.MaxPooling2D((2, 2)),
# 第二層卷積和池化
layers.Conv2D(64, (3, 3), activation='relu'),
layers.MaxPooling2D((2, 2)),
# 將特徵圖展平，接入全連接層
layers.Flatten(),
layers.Dense(64, activation='relu'),
layers.Dense(10, activation='softmax') # 輸出10個類別的概率
])
# 3. 編譯模型
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy'])
# 4. 訓練模型
model.fit(train_images, train_labels, epochs=5, batch_size=64)
# 5. 評估模型
test_loss, test_acc = model.evaluate(test_images, test_labels, verbose=2)
print(f'\n測試準確率：{test_acc}')這段代碼演示了CNN構建的核心流程：數據準備、模型搭建、訓練與評估。模型結構包含兩個卷積-池化層，用於提取從簡單到複雜的特徵，最後通過全連接層進行分類。在實際應用中（如您的魚類識別項目），只需將此處的MNIST數據替換為您的魚類圖片數據集，並可能調整網絡結構（如使用ResNet50等更深的網絡）和輸入尺寸，即可實現特定場景的圖像識別任務。
結構説明：
- 輸入預處理：對原始圖像進行初始卷積和池化操作，提取基礎視覺特徵。
- 殘差主幹：這是ResNet的核心思想，通過跳躍連接避免梯度消失，使深層網絡訓練成為可能。
- 塊級堆疊：整個網絡由4種不同結構的殘差塊（Conv Block和Identity Block）按特定比例（3,4,6,3）組合而成，分別負責下采樣和深度特徵提取。
- 分類輸出：最後通過全局平均池化將空間特徵轉換為向量，經全連接層輸出類別概率。
這種四模塊劃分既保留了ResNet50的關鍵架構特徵（殘差連接、塊級設計），又避免了過於細節的技術描述，更符合簡明流程圖的要求。
