论文部分内容阅读
石鲷鱼类肉质鲜美、蛋白质丰富,具有很高的养殖价值。传统的水产养殖通常采用定时定量的投喂方式,不能根据石鲷鱼类的饥饿状态及时投喂饵料,容易出现投喂不及时或者投饵量过少等问题,使石鲷鱼类经常面临饥饿胁迫,这严重影响了石鲷鱼类的福利性增长。使用视频计算的方式对石鲷鱼类的饥饿行为进行研究,可以识别石鲷鱼类的饥饿状态,准确计算出投喂时间与投喂量,对石鲷鱼类的养殖具有重要的意义。本文使用深度学习技术实现了石鲷鱼类的目标检测和速度计算,最后使用长短期记忆网络(LSTM)对石鲷鱼类进行饥饿行为分类,主要工作如下:(1)提出了一种基于多尺度特征的石鲷鱼类检测算法SEMobileNet-SSD。在实验条件下,从水上和水下两个角度,构造了石鲷鱼类水面图像数据集AWOP和水下图像数据集UWOP。并针对图像中出现的遮挡和模糊问题,改进了轻量级神经网络MobileNet-SSD,向MobileNet网络中加入带洞卷积和挤压激励模块(SE block);针对水面视频和水下视频中石鲷鱼类容易互相遮挡的问题,向不同尺度的特征图上加入SE block,以检测相互遮挡的目标;使用Focal Loss函数计算分类损失,平衡了背景样本和目标样本的比例。该方法在AWOP和UWOP两个数据集中对石鲷鱼类进行检测的平均精度分别是90.94%和88.36%,达到了比较高的检测精度。(2)提出了一种基于单目视频的石鲷鱼类速度计算方法。该算法包括检测、跟踪和速度计算三部分。首先使用运行速度和精准度具佳的SEMobileNet-SSD算法对石鲷鱼类进行检测,然后根据石鲷鱼类的外观特点,改进了Deep sort的外观特征训练模型,提出了石鲷鱼类的REID卷积神经网络模型,最后经过相机标定,获得图像对应于现实世界的单应性矩阵,将图像中的像素点映射到现实世界坐标,最后根据视频的分帧时间,实现了视频中多条石鲷鱼类的速度计算。(3)提出了一种石鲷鱼类的饥饿行为分类方法,鱼群位置和游泳速度是游泳型鱼类最重要的特征,石鲷鱼类的位置和游泳速度变化可以反映鱼类的生物状态。而LSTM采用了独特的门控机制,可以选择地对信息进行遗忘和记忆,在序列学习中表现了良好的性能。本文首先提取石鲷鱼类的速度和位置特征,构建了石鲷鱼类不同饥饿状态下的饥饿特征序列,并将石鲷鱼类的游泳速度和鱼群位置联系起来,使用LSTM算法实现了石鲷鱼类的饥饿行为分类。