基于DeepSORT算法的鱼道过鱼种类识别和计数研究

为了解决鱼道过鱼监测中鱼类种类识别和计数问题,基于深度学习技术,以异齿裂腹鱼、拉萨裂腹鱼、拉萨裸裂尻和尖裸鲤为目标鱼类,在Y江某水电站鱼道开展过鱼种类识别和计数实验。首先,将过鱼视频制作成数据集,评估Faster R-CNN、YOLOv4和YOLOv5s 3种目标检测算法的性能。其次对DeepSORT算法中检测部分做出改进:将目标检测算法由Faster R-CNN替换为YOLOv5s,用于检测视频中的鱼类。然后采用卡尔曼滤波算法和匈牙利匹配算法对检测到的鱼类进行跟踪预测和最优匹配,通过对每一条目标鱼类分配唯一的ID,在视频中部划分虚拟“检测线”的形式,对过线的鱼类实现计数。结果表明:(1)Faster R-CNN、YOLOv4和YOLOv5s的鱼类平均检测准确率分别为80.85%、82.85%和86.6%。其中,YOLOv5s的准确率最高,异齿裂腹鱼、拉萨裂腹鱼、拉萨裸裂尻和尖裸鲤的种类识别准确率分别为94.19%、90.22%、84.57%和77.41%。(2)以YOLOv5s为检测器的DeepSORT算法鱼类计数平均准确率为71%,异齿裂腹鱼、拉萨裂腹鱼、拉萨裸裂尻和尖裸鲤计数准确率分别为80.7%、66.2%、64.8%和72.4%。研究结果能够为实现鱼道过鱼监测的自动化、智能化提供新方法,为鱼道的运行管理提供决策参考依据。