基于YOLOv5算法对斑马鱼幼鱼的检测研究

斑马鱼幼鱼行为学分析常常是药物学研究与基因操作的直观表现,在封闭、复杂环境下对幼鱼进行检测是研究其功能特性的基本步骤。由于幼鱼属于小目标,本文通过去掉YOLOv5网络中的大尺度预测层和大、中尺度预测层,得到了YOLOv5m-sm模型以及YOLOv5m-s模型;由于没有公开的幼鱼数据集,本文使用DarkLabel标注软件将幼鱼头部作为特征标记,得到的Zebradata数据集,并按4:1的比例分为训练集与验证集,分别用来训练及验证模型;为了测试算法对幼鱼的检测能力,使用160张含有23条幼鱼的测试集对YOLOv3m、YOLOv5s、YOLOv5m-s、YOLOv5m-sm和YOLOv5m模型进行识别实验。实验结果表明,YOLOv5m-s算法具有较高的识别准确度,满足幼鱼目标检测要求。

针对斑马鱼幼鱼的微小目标群体轨迹跟踪算法

针对斑马鱼幼鱼体积小,外观相似度高,运动模式不稳定等特征导致的目标丢失、目标身份匹配错误、轨迹混乱等问题,本文提出了一种基于卷积神经网络的多目标跟踪算法。算法分为目标检测和目标跟踪两部分。检测部分通过经典的检测算法YOLO(You Look Only Once)v5实现,跟踪部分,主要通过DeepSORT实现对斑马鱼幼鱼位置的跟踪与轨迹连接。针对幼鱼容易被漏检、错检等特点,在YOLOv5m的基础上改进了网络的检测层结构,提升对小目标的检测能力。同时融合双通道注意力机制(Convolutional Block Attention Module,CBAM)对网络对背景噪声的抗噪能力。结果表明,在小样本训练的情况下,本文提出的YOLOv5m-ss对斑马鱼幼鱼群体的检测精度@mAP(mean Average Precision)可达99.9%,相较原网络提升了9.4%。结合DeepSORT后的跟踪精度MOTA可达98.0%,在算法运行速度和精确率上都有一定优势。