基于深度学习的鱼类养殖监测研究进展

鱼类养殖是通过人工方式在水中养殖各种鱼类的经济活动。鱼类养殖可以在淡水、海水或者盐碱水环境中进行,通过各种监测技术和设备来培育和管理鱼的生长和繁殖。传统的鱼类养殖监测方法存在效率低和准确性差等问题。近年来,基于深度学习的视觉技术的发展为鱼类养殖监测提供了新的解决方案。该文阐述了基于深度学习的视觉技术在鱼类养殖监测中的应用,并从鱼体测量、鱼类计数、鱼类摄食、鱼类游泳行为和鱼病诊断5个方面分别对研究进展进行梳理。在此基础上总结了鱼类养殖监测在数据采集与传输、建立鱼类养殖监测数据集、超规模参数模型、终端监测设备边缘计算、数字孪生、智能监测业务化应用不足等问题和展望,旨在为深度学习在鱼类养殖监测中的推广应用提供科学参考。

具有双层路由注意力机制的YOLOv8血鹦鹉目标检测与追踪方法

为了检测观赏鱼类的行为及其健康状况,设计了一种具有双层路由注意力机制的血鹦鹉(Vieja synspila♀×Amphilophus citrinellus♂)目标检测模型YOLOv8n-BiFormer,该方法在YOLOv8n模型基础上添加了双层路由注意力以减少计算量和内存,添加了新的视觉通用变换器BiFormer以提升计算效率,并采用ByteTrack算法追踪血鹦鹉的运动轨迹。结果表明:使用YOLOv8n-BiFormer模型对血鹦鹉的检测准确率达到99.2%,召回率为93.7%,平均精度均值(mAP@0.5)为99.1%,相较于YOLOv8n模型分别提升了0.8%、1.4%、1.0%;使用该模型对水族箱中的慈鲷(Chindongo demasoni)进行检测追踪同样取得了较好的效果,慈鲷的检测准确率达到97.0%,召回率为93.4%,平均精度均值为96.5%,相较于YOLOv8n模型召回率和平均精度分别提升了1.8%和1.9%。研究表明,本文中设计的YOLOv8n-BiFormer模型具有通用性,在检测和追踪血鹦鹉和慈鲷目标方面均表现优异,消耗的计算资源较少,可部署在水族箱监控系统中,为观赏鱼信息记录自动化和智能化提供了可行的解决方案。

基于改进YOLOv8的渔港船舶进出港目标检测与统计方法

为减轻渔港执法人员在渔船进出港统计工作中的压力,提出了一种基于改进YOLOv8模型的渔港船舶进出港目标检测与统计模型YOLOv8n-Bi-FPN-EMA,该模型采用加权双向特征金字塔网络结构(Bi-FPN),引入高效多尺度注意模块(EMA)以提高模型的目标检测准确性和稳定性,并结合BoT-SORT跟踪算法实现对不同类型船舶进出渔港的分类统计。结果表明:与YOLOv8n模型相比,YOLOv8n-Bi-FPN-EMA模型的准确率提高了5.0%,mAP@0.5提高了0.2%,对执法船、拖船和渔船的识别准确率分别提高了9.9%、4.9%、0.3%。其中,对渔船的识别准确率为99.1%,召回率为84.4%,mAP@0.5为97.8%。研究表明,YOLOv8n-Bi-FPN-EMA模型在渔船识别上有较好的表现,可用于渔船识别与进出港统计的辅助工作。