基于水面红外图像的深海网箱鱼群夜间智能监测方法研究

获取深海网箱养殖过程鱼群活动数据,开展鱼群监测是提升深海养殖效率、降低养殖成本的有效手段。基于水面红外相机,利用深度学习前沿技术,提出了一种鱼群智能监测方法。该方法涉及鱼群识别及计数、鱼体分割和鱼体游向判断3个功能模块。首先,通过红外相机采集鱼类的图像信息,并进行标注以构建数据集,然后采用改进的Faster RCNN模型,以Mobilenetv2+FPN网络作为特征提取器,实现鱼类的准确识别,并输出包围框表征鱼类个体位置。其次,从框图内选择亮度前20%的像素点作为分割提示点,利用Segment Anything Model对图像进行分割,生成鱼体分割图。最后,通过对鱼体分割图进行椭圆拟合处理,可以判定鱼类的游向信息。改进的Faster RCNN模型在进行100次迭代训练后,平均精确率达到84.5%,每张图片的检测时间为0.042 s。结果表明,在水面红外图像的鱼类数据集上,所提出的改进Faster RCNN模型和椭圆拟合等关键技术能够实现对鱼群的自动监测。