-
题名基于改进YOLOv7的密集鱼群计数检测
- 1
-
-
作者
李尹佳
胡泽元
涂万
张鹏
韦思学
于红
吴俊峰
-
机构
大连海洋大学信息工程学院
大连智慧渔业重点实验室
设施渔业教育部重点实验室(大连海洋大学)
辽宁省海洋信息技术重点实验室
-
出处
《广东海洋大学学报》
CAS
CSCD
北大核心
2024年第2期115-123,共9页
-
基金
设施渔业教育部重点实验室(大连海洋大学)开放课题(202313)
辽宁省教育厅基本科研项目(JYTQN2023132)
+1 种基金
辽宁省教育厅重点项目(LJKZ0729)
辽宁省科技计划联合基金(2023-BSBA-001)。
-
文摘
【目的】提高在水体浑浊和鱼群高密度聚集等复杂环境中的鱼群检测精度。【方法】提出一种基于双层路由注意力机制(BiFormer)和Normalized Wasserstein Distance(NWD)损失函数的改进YOLOv7的密集鱼群计数检测方法。在保留细粒度特征的基础上,提高模型对多尺度特征的学习能力,同时降低模型对模糊图像中小目标位置偏差的敏感性,加强对浑浊水域中鱼群的识别能力。为评估该模型的有效性,在红鳍东方鲀(Takifugu rubripes)数据集上与其他网络模型进行对比实验。【结果】该方法在红鳍东方鲀数据集上的准确率和召回率分别达到98.05%和97.69%,平均精度达到99.10%,较YOLOv7相比分别提升2.46%、3.73%和2.62%。与目前检测准确率较高的其他水下目标检测模型相比,平均精度平均提高4.25%。【结论】实现真实养殖环境下浑浊水域中鱼群的准确检测,有助于科学指导工业化水产养殖的生产管理,提高养殖效率,减少资源浪费。
-
关键词
水产养殖
鱼类检测
深度学习
YOLOv7
BiFormer
NWD
-
Keywords
aquaculture
detection of fish
deep learning
YOLOv7
BiFormer
NWD
-
分类号
S932
[农业科学—渔业资源]
TP391
[自动化与计算机技术—计算机应用技术]
-