基于Co-PSPNet的轻量级水下鱼体图像分割算法

为解决水下环境中图像模糊和资源有限等问题,提出了一种基于Co-PSPNet网络的轻量级水下鱼体图像分割算法;主干网络使用了MobileNetV2,以降低网络的计算复杂度和参数量;引入了CoordConv模块,以增强网络对鱼体边界等细节信息的感知能力;将全局池化后的特征作为注意力机制网络的输入,以增强具有较高语义信息的特征;经过大量的实验评估,该算法在公开的水下鱼体图像数据集上取得了优越的性能;实际应用中,该算法满足了水下生态研究和水下机器人领域对水下鱼体图像分割的工程需求;通过对水下环境下图像模糊和资源限制等问题的解决,该算法为水下生态研究和水下机器人领域的应用提供了有效的图像分割解决方案。

基于DF-Track的水下鱼体跟踪方法

鱼类跟踪是分析鱼类行为、评估其健康水平的关键步骤。然而,由于真实水下养殖鱼群具有运动非线性、高外观相似度、鱼体互相遮挡、特征信息损失严重等特点,多目标跟踪鱼类是一项非常具有挑战性的任务。针对水下鱼体反射产生的伪影以及鱼体运动非线性、相互遮挡导致跟踪轨迹碎片化的问题,提出一种水下多鱼跟踪模型DF-Track。该模型采用基于检测的跟踪(TBD)范式,首先在YOLOv8的C2f结构中引入聚合感知注意力机制(APFA),提高在前向过程中提取图像特征的能力;然后使用SDI多层次特征融合模块对YOLOv8中的feature fusion部分进行重设计,减少特征融合阶段不同层级特征信息的冲突问题;最后提出一种优化轨迹管理的跟踪模型DF-Track,并引入Focal-EIoU补偿匹配空间中的运动估计偏差,平衡几何一致性。实验结果表明:与原YOLOv8相比,所提算法的精确率提高了1.7%,平均精度均值提高了2.1%;DF-Track与其他MOT跟踪算法相比,HOTA达到70.9%,MOTA达到91.9%,IDF1达到80.4%。证明DF-Track模型在水下鱼类跟踪任务中具有较好的性能。