论文部分内容阅读
在水产养殖过程中,池塘中鱼类的检测和计数是估计鱼类密度、长度和重量的必要条件。目前仍有工厂采用人工计数的方法,此方法存在效率低,耗费时间等缺点。计算机视觉技术是近几年广大学者关注的热点之一,典型算法YOLOv3在实际生活中得到了广泛应用,但在红鳍东方鲀等养殖鱼类计数中存在一定缺陷。研究一种基于计算机视觉的无接触、自动化的红鳍东方鲀计数技术将大大提升红鳍东方鲀养殖的智慧化、自动化程度。因此,本文将结合养殖场中鱼类数据集的特性,研究了一种基于计算机视觉的红鳍东方鲀的计数系统。具体工作概述如下:1)养殖池塘鱼类数据集增广方法研究。针对真实养殖环境下采集的鱼群数据质量不高、标注困难以及鱼群数据样本存在遮挡、模糊等问题,提出了集成的养殖池塘鱼类数据集增广方法,以有效地解决在模型学习过程中容易产生的过拟合问题。该方法分别针对养殖池鱼群图像数据中存在的发暗、模糊和遮挡等特点,提出了亮度增广、模糊增广和部分遮黑三种数据增方法,进一步丰富了图像样本的数量。实验表明,本研究提出的数据增广可以有效的提升鱼类识别检测效果。2)基于YOLOv3模型改进的检测计数算法研究。针对养殖鱼群图像中目标大小比较均匀、目标大小差异不大这一特点,提出一种基于改进YOLOv3的红鳍东方鲀识别及计数方法,该方法采用K-means方法对目标的大小进行了统计,获得了目标大小的分布特征。基于该统计结果对YOLOv3模型进行了优化,将模型优化为只有中型尺度检测和小型尺度检测的两个的简化模型,一方面降低了模型的复杂性,提升了模型的识别效果,并选择Soft-NMS算法进行边框筛选,有效的降低了检测框被误删可能性和目标被遗漏检测。实验表明算法改进后,计数准确率均达到了90%以上,召回率均在93%以上,检测速度提高了3ms,相较于传统模型YOLOv3取得了较大提升。