精准的水下群体目标检测对准确获取养殖品生长状态、疾病预警以及实现精准投喂具有重要意义。真实养殖环境中,目标模糊、遮挡等问题导致水下群体检测准确率和召回率不高,影响信息获取能力。为解决上述问题,本文开展了融合先验知识、提升模糊图像特征提取能力和自适应阈值的水下群体目标检测等研究。具体研究内容及创新点如下:1.基于改进YOLOv5和可变形卷积的水下群体目标检测模型（DCM-ATM-YOLOv5）。为解决目标受模糊背景影响的问题,提出可变形卷积模块,学习采样点的偏移,使采样点更注重对前景目标的采集,减少背景对检测的干扰,提高检测准确率。针对高密度群体互相遮挡导致的目标漏检问题,提出了自适应阈值模块,通过预测自适应的阈值,减少因固定阈值导致的漏检,以提高召回率。在真实养殖鱼群数据集上进行消融实验、不同水下目标检测模型的性能对比实验。实验结果表明,检测准确率和召回率分别为97.53%和98.09%,与先进水下目标检测模型比较,准确率和召回率均有所提升。2.融合知识与改进YOLOv5的水下群体目标检测（KAYOLO）。为解决目标模糊带来的特征丢失问题,借鉴人类识别模糊目标时利用先验知识进行推理的做法,采用先验知识强化水下目标的特征,提高检测的准确率;针对高密度群体互相遮挡导致的目标漏检问题,提出了预测框聚合方法,聚合同一目标的预测框,减少不同目标间的影响,以提高召回率。为验证所提出方法的有效性,分别设计了消融实验、模型性能实验、模型鲁棒性实验。实验结果表明,KAYOLO的准确率和召回率分别达到了94.92%和92.21%;与YOLOv5相比,分别提高了1.29%和1.35%。结果表明,KAYOLO提升了水下群体目标的检测效果,该模型在不同数据集中都具有较强的鲁棒性。3.鱼群检测与计数系统的设计与实现。本文设计了一套鱼群检测与计数系统,能检测并识别出多种输入数据中的鱼类目标,对结果进行展示,并统计目标数量。为满足用户在不同场景下的使用需求,添加了模型选择模块,能针对不同的需求选择不同的模型权重,提高了系统的泛用性。单一的检测算法无法快速地设置参数。因此,设计了参数设置模块,能根据给定参数对模型进行设置,简化了用户操作,提高了使用效率。添加了输入选择模块,对不同的数据设计不同的处理方式,提高系统的泛用性。结果展示模块将预测结果与原始输入一同展示,以突出检测结果,并引入了计数功能,对预测结果中的目标个数进行统计,方便后续的统计等操作。