基于深度学习的死鱼识别技术,首先通过在工作站上搭建改进的YOLO v5模型,利用自制的数据集去训练自己的模型,然后部署到树莓派上进行边缘计算。本文以省级课题“深远海大型智能渔业养殖装备技术研究（项目编号:ZJW-2019-01）”为背景,针对南海海洋渔业养殖的环境条件,开展深远海渔业养殖模式和死鱼识别技术的研究。随着深远海养殖这一健康养殖模式进一步朝着规模化、智能化、无人化的方向发展,利用深度学习等新技术,研发及时识别、发现死鱼并进行处理的相关技术和系统,以避免可能滋生更多的细菌、污染养殖水域和海洋养殖环境,造成环境的恶性循环,甚至危及所在地的生态环境;并同时降低养殖企业或渔民的经济损失,有着重要意义。论文的主要工作有以下几个方面:（1）针对海洋环境复杂,以及采集图像困难等问题,本文利用数据增强的方法来丰富数据集的多样性:一方面,改变图像亮度来模拟光照的不平衡;另一方面,利用随机噪声和运动模糊来模拟雨滴。（2）针对YOLO v5算法多尺度检测下不同尺度下的anchor大小不同的问题,采用改进的k-mean算法和遗传算法对anchor进行优化:初始候选框的尺寸会影响网络的精度和收敛速度,原YOLO v5的anchor尺寸是分别采用3个尺度对COCO数据集通过k-mean聚类得到的,该尺寸的候选框不适合自定义的数据集,为了加快网络的收敛速度,本文采用优化的k-means聚类方法,将距离度量采用1-Io U作为评判标准。同时,为了得到更适合的数据集,采用遗传算法对anchor进一步优化。（3）针对YOLO v5算法预测框回归损失函数定位不准确的问题,经过研究采用优化的CIo U作为预测框回归损失函数:当预测框与真实框同心,且预测框的宽高比和真实框的宽高比相同时,CIo U会退化为Io U,并且宽高比的梯度值具有相反的符号,宽高不能保持同增或同减,为了使模型适应更多的场景,对CIo U进行优化处理。（4）为了获取更优的检测速度和精度,对模型进行轻量化处理:为提高YOLO v5的检测速度,用改进的Ghost Neck替换骨干网络中的Bottleneck CSP;为提高网络的特征提取性能和鲁棒性,引入注意力机制来提高检测效果;将Focus模块和普通卷积替换为深度可分离卷积来提高检测速度和减少参数量。本文在具有挑战性的金鲳鱼数据集中测得改进模型的参数量和浮点运算量仅占原网络的50.8%和12.9%,m AP0.5上升了0.6%,GPU上的检测速度提高了70%,CPU上的速度提高了86.8%,在树莓派上,改进的模型功耗是原模型功耗的86.4%,实验结果表明,改进的YOLO v5模型能够满足深海网箱死鱼检测的需求。