基于LSSA-XGBOOST改进算法的高体鰤鱼类体质量预测模型

为构建利用体质量判断的精准投喂模型,需实时获取鱼群体质量状态,基于LSSA-XGBOOST算法,通过对工船养殖实测的高体鰤(Seriola dumerili)体长、体宽和体质量数据进行分析,构建以体长、体宽两项体态特征数据为输入、体质量数据为输出的高体鰤体质量预测模型。结果显示,与常规数学模型拟合相比,LSSA-XGBOOST模型拟合的相关性系数R^(2)提高约10%;与传统BP神经网络和粒子群优化BP相比,LSSA-XGBOOST模型误差平方和R^(2)提升约3%,这为构建基于体质量判断的高体鰤精准投喂模型提供了理论依据。

基于改进型YOLOv4的病死金鲳鱼识别方法

实时检测并获取养殖鱼群的健康状态是规模化渔业养殖实现精准、绿色养殖和可持续发展的关键技术之一,其中实时识别病死鱼并及时收集处理更是减轻养殖水域污染、防止病害扩散、降低养殖风险的有效举措。然而在复杂的浅滩环境中,如光照变化、目标重叠、位置不稳定以及水雾造成模糊,使病死金鲳鱼实时识别并收集非常具有挑战性。本研究提出一种基于YOLOv4-v1的改进算法,在PANet模块中集成自定义Super网络,对输入的特征图进行编码解码过程,在细粒度特征提取中减少外界环境带来的干扰。此外,利用tanh-v1函数激活,增强了特征传播并确保网络中最大信息流。同时采用Resblockbody1模块,提高了目标框的定位精度。在浅滩养殖场景中,分析病死金鲳鱼图像在不同模型上对比试验结果中,YOLOv4-v1网络识别病死金鲳鱼的m-(平均精度)值高达98.31%,实时检测性能达到了27 FPS。通过与YOLOv4网络对比试验可得,YOLOv4-v1算法在线下试验中,检测速度基本与原网络持平,且m-值相较于YOLOv4提升了3.36%,召回率提升了2.54%,F 1分数(精确率与召回率的平衡点)提升了0.56%。研究表明,YOLOv4-v1方法在死鱼识别方面具有良好的应用场景。