Fish classification is an essential requirement for biomass estimation, disease identification, and quality analysis. In aquaculture industries, fish classification is carried out in the processing unit. The fishes are out of water, subjecting them to structural deformation and orientation misalignments, makes classification challenging. A multisegmented fish classification technique using deep learning networks with naive Bayesian type fusion is proposed in this work to address these challenges. Fish images are acquired using an overhead camera. The fish head is identified by observing a minimal convexity deficiency region to facilitate segmentation. A multi-stage exhaustive enumerative optimization method is used to adjust the orientation, which can minimize unwanted background region in the image segment. Fish head, scales, and body are segmented from the fish image. For each fish segment, AlexNet is trained by using the transfer learning approach. A naive Bayesian fusion layer is introduced to fuse these trained deep learning networks and enhance classification accuracy. Experimental results illustrate a classification accuracy of 98.64% for ‘Fish-Pak’ image dataset with six different fish species and 98.94% for BYU fish dataset with four species. Comparative analysis with standard networks and ablation study demonstrates the accuracy and robustness of the proposed fusion architecture, respectively. Various fusion layers have also been analyzed, and observations illustrate the accuracy of the proposed NBC layer. Significant improvements in other classification performance metrics were also observed.

鱼的分类是生物量估计，疾病识别和质量分析的基本要求。在水产养殖业中，鱼的分类是在加工单元中进行的。鱼没有水了，使其结构变形和方向不对中，使分类变得困难。在这项工作中，提出了一种使用带有朴素贝叶斯类型融合的深度学习网络的多段鱼分类技术，以应对这些挑战。鱼的图像是使用高架摄像机获取的。通过观察最小凸度不足区域来识别鱼头，以利于分割。使用多阶段穷举枚举优化方法来调整方向，这可以最小化图像段中不需要的背景区域。鱼头，鱼鳞，从鱼图像中分割出身体和身体。对于每个鱼段，AlexNet通过使用迁移学习方法进行培训。引入了朴素的贝叶斯融合层以融合这些训练有素的深度学习网络并提高分类准确性。实验结果表明，对于具有六种不同鱼类的“ Fish-Pak”图像数据集，分类精度为98.64％，对于具有四种鱼类的BYU鱼数据集，分类精度为98.94％。与标准网络和消融研究的比较分析分别证明了所提出融合结构的准确性和鲁棒性。还对各种融合层进行了分析，观察结果表明了建议的NBC层的准确性。还观察到其他分类性能指标的显着改善。通过使用迁移学习方法来训练AlexNet。引入了朴素的贝叶斯融合层以融合这些训练有素的深度学习网络并提高分类准确性。实验结果表明，对于具有六种不同鱼类的“ Fish-Pak”图像数据集，分类精度为98.64％，对于具有四种鱼类的BYU鱼数据集，分类精度为98.94％。与标准网络和消融研究的比较分析分别证明了所提出融合结构的准确性和鲁棒性。还对各种融合层进行了分析，观察结果表明了建议的NBC层的准确性。还观察到其他分类性能指标的显着改善。通过使用迁移学习方法来训练AlexNet。引入了朴素的贝叶斯融合层以融合这些训练有素的深度学习网络并提高分类准确性。实验结果表明，对于具有六种不同鱼类的“ Fish-Pak”图像数据集，分类精度为98.64％，对于具有四种鱼类的BYU鱼数据集，分类精度为98.94％。与标准网络和消融研究的比较分析分别证明了所提出融合结构的准确性和鲁棒性。还分析了各种融合层，并观察到了所提出的NBC层的准确性。还观察到其他分类性能指标的显着改善。引入了朴素的贝叶斯融合层以融合这些训练有素的深度学习网络并提高分类准确性。实验结果表明，对于具有六种不同鱼类的“ Fish-Pak”图像数据集，分类精度为98.64％，对于具有四种鱼类的BYU鱼数据集，分类精度为98.94％。与标准网络和消融研究的比较分析分别证明了所提出融合结构的准确性和鲁棒性。还对各种融合层进行了分析，观察结果表明了建议的NBC层的准确性。还观察到其他分类性能指标的显着改善。引入了朴素的贝叶斯融合层以融合这些训练有素的深度学习网络并提高分类准确性。实验结果表明，对于具有六种不同鱼类的“ Fish-Pak”图像数据集，分类精度为98.64％，对于具有四种鱼类的BYU鱼数据集，分类精度为98.94％。与标准网络和消融研究的比较分析分别证明了所提出融合结构的准确性和鲁棒性。还对各种融合层进行了分析，观察结果表明了建议的NBC层的准确性。还观察到其他分类性能指标的显着改善。94％的BYU鱼类数据集有4种。与标准网络和消融研究的比较分析分别证明了所提出融合结构的准确性和鲁棒性。还分析了各种融合层，并观察到了所提出的NBC层的准确性。还观察到其他分类性能指标的显着改善。94％的BYU鱼类数据集有4种。与标准网络和消融研究的比较分析分别证明了所提出融合结构的准确性和鲁棒性。还对各种融合层进行了分析，观察结果表明了建议的NBC层的准确性。还观察到其他分类性能指标的显着改善。