1.一种基于Resnet和随机森林融合的鱼类分类方法，其特征在于，它包括以下步骤：步骤1：进行数据集的采集、选择，采集若干类海洋鱼类作为初始数据集；

步骤2：进行数据集预处理；

步骤3：进行数据集的增强；

步骤4：进行特征提取网络的构造和图像特征提取，提取出若干类鱼的特征信息；

步骤5：进行随机森林的构造，将若干类鱼的特征信息放入随机森林分类器中进行训练；

步骤6：构造特征提取网络和随机森林鱼类分类模型；

采用所构造的鱼类分类模型进行鱼类的分类；

在步骤3中，包括以下步骤：

步骤3‑1：进行图像翻转：对鱼类图像进行水平翻转或者是垂直翻转；

步骤3‑2：进行图像旋转：将鱼类图像旋转一定角度；

步骤3‑3：进行图像平移：将鱼类图像沿水平方向平移或者竖直方向平移；

步骤3‑4：进行对比度变换：改变鱼类图像的S和V亮度分量；

步骤3‑5：噪声扰动：对鱼类图像进行椒盐噪声或者高斯噪声；

通过以上步骤，扩展每类鱼的图像的数量，并随机打散划分成若干张鱼类训练集和若干张鱼类验证集；

在步骤4中，包括以下步骤：

步骤4‑1：将步骤3获得的鱼类图片输入Resnet网络中，输入图像为多通道，大小为H×W，经过一个卷积核为F，卷积核个数为K，步长为S，在使用CNN处理图像信息时，输入图像中的大部分边缘像素只被卷积核操作一次，而图像中间的像素会被多次扫描；这在一定程度上降低了边界信息的参考程度；另一方面，在使用零填充后，新边界对实际处理的某个部分有影响；同时，可以对不同尺寸的输入图像进行补齐，使其大小一致；设输入尺寸为(H,W)，后置尺寸为(FH,FW)，输出尺寸为(OPH,OPW)，填充长度为P，步幅为s，则输出尺寸公式如下零填充大小为P的卷积操作，输出的大小为H1×W1×K计算公式如式(1)、式(2)所示：步骤4‑2：将步骤4‑1得出的结果经过Batch Normalization层，能够加速网络收敛和控制过拟合，在BN层中，均值为μ，方差为δ，偏移为β，可学习参数为γ；一个较小数为∈，作用是防止分母为0；输入为X，输出为Y，计算公式如式(3)、式(4)所示：Y＝γX1+β(4)

步骤4‑3：再经过修正线性单元ReLU激活函数，偏置为b，权重为W，转置矩阵为T，输入为X，输出为Y,计算公式如式(5)所示：T

Y＝max(0,W×X+b)    (5)

步骤4‑4：再经过最大池化层MAXPOOL,得出第一阶段的特征图；

步骤4‑5：将步骤4‑4的输出特征图输入到第二阶段，第二阶段由3个bottleneck组成，第1个bottleneck将图像通道增加4倍，第2个和第3个bottleneck保持通道和图像大小不变，得到特征图；

步骤4‑6：将步骤4‑5的输出特征图输入到第三阶段，第三阶段由4个bottleneck组成，第1个bottleneck将图像通道增加2倍，图像尺寸减半，第2个、第3个和第4个bottleneck保持通道和图像大小不变，得到特征图；

步骤4‑7：将步骤4‑6的输出特征图输入到第四阶段，第四阶段由6个bottleneck组成，第1个bottleneck将图像通道增加2倍，图像尺寸减半，第2、3、4、5、6个bottleneck保持通道和图像大小不变，得到特征图；

步骤4‑8：将步骤4‑7的输出特征图输入到第五阶段，第五阶段由3个bottleneck组成，第1个bottleneck将图像通道增加2倍，图像尺寸减半，第2个和第3个bottleneck保持通道和图像大小不变，得到特征图；

步骤4‑9：将步骤4‑8得到的特征图经过输出大小为1×1的平均池化层，减小计算的参数量，防止过拟合，再经过展平操作，得出维度为D的图像特征向量；

步骤4‑10：Resnet网络选用NLLLoss损失函数，在NLLLoss损失函数中，输入为x,目标为y,权重为w,批次大小为N，默认还原为“mean”,它的计算公式如式(6)所示：步骤4‑11：网络权重的更新，预测结果和实际结果的计算损失进行网络节点的更新；

步骤4‑12：获取训练集的特征集，将数据集经过上述步骤4‑1至步骤4‑11更新之后的特征提取网络，得出大小为N，长度为D的图像特征集。

2.根据权利要求1所述的方法，其特征在于，在步骤1中，收集拍摄海洋鱼类图片，做好鱼类种类标签和数量的对应整理。

3.根据权利要求2所述的方法，其特征在于，在步骤2中，包括以下步骤：步骤2‑1：使用预训练的多类别目标检测网络模型、使用网上公开的鱼类数据集进行鱼类目标检测训练；

步骤2‑2：进行鱼类图片的目标定位，保留少量的背景信息，裁剪出只有鱼类目标的矩形区域。

4.根据权利要求1所述的方法，其特征在于，在步骤5中，具体包括以下步骤：步骤5‑1：进行特征样本集的选择，使用步骤4中获取的图像特征集，每轮从图像特征集中通过Bootstraping的方式抽取N个样例，得到一个大小为N的样本子集，用来训练一个决策树，共进行X轮的抽取，一共生成X个决策树；

步骤5‑2：进行决策树的生成，图像特征集中每张图像的特征向量为D维，在每一轮生成决策树的过程中，从D个特征中随机选择其中的若干个特征组成一个新的特征子集，通过使用新的特征子集来生成决策树，在生成决策树的过程中，由于这X个决策树在训练集的选择和特征的选择上都是随机的，因此各个决策树之间是相互独立的，在决策树节点的特征选择使用“gini”量化评估标准,表示在样本集合中一个随机选中的样本被分错的概率，“gini”指数越小表示集和被选中的样本被分错的概率越小，即集合的纯度越高，分类类别数为K，从k＝1开始，样本属于第k类的概率为pk，概率分布按照式(7)计算：步骤5‑3：进行决策树的组合，由于生成的X个决策树之间是相互独立的，每个决策树的重要性是相等的，因而在将它们进行组合时，无需考虑他们的权值，或者可以认为他们具有相同的权值，对于分类问题，最终的分类结果使用所有的决策树投票来确定最终分类结果。

5.根据权利要求1所述的方法，其特征在于，在步骤6中，将步骤4构造的Resnet特征提取器和步骤5构造的随机森林分类器进行整合，构造出Resnet+随机森林的鱼类分类模型。