基于多尺度融合与无锚点YOLO v3的鱼群计数方法

作     者：张璐 黄琳 李备备 陈鑫 段青玲 ZHANG Lu;HUANG Lin;LI Beibei;CHEN Xin;DUAN Qingling

作者机构：中国农业大学信息与电气工程学院北京100083 中国农业大学国家数字渔业创新中心北京100083 宁波市海洋与渔业研究院宁波315000 

出 版 物：《农业机械学报》 (Transactions of the Chinese Society for Agricultural Machinery)

年 卷 期：2021年第52卷第S01期

页      面：237-244页

核心收录：

学科分类：08[工学] 0828[工学-农业工程] 080203[工学-机械设计及理论] 082801[工学-农业机械化工程] 0802[工学-机械工程] 

基　　金：国家重点研发计划项目(2017YFE0122100) 山东省重大科技创新工程项目(2019JZZY010703) 宁波市公益性科技项目(202002N3034) 

主　　题：鱼群 水产养殖 深度学习 计数 YOLO v3 CenterNet 

摘      要：准确实现鱼群计数对于水产养殖中的生物量估算、存活率评估、养殖密度控制和运输销售管理等有着重要的指导作用。针对目前鱼群计数方法难以处理复杂背景、多尺度鱼群图像的问题,提出了一种基于多尺度融合与无锚点YOLO v3(Multi-scale fusion and no anchor YOLO v3,MSF-NA-YOLO v3)的鱼群计数方法。首先采集多源鱼群图像,构建鱼群计数数据集,其次采用基于多尺度融合的方法提取鱼群图像特征,最后基于CenterNet目标检测网络识别出鱼群图像中的鱼体目标,实现鱼群计数。在真实的鱼群数据集上进行测试,计数准确率为96.26%,召回率为90.65%,F1值为93.37%,平均精度均值为90.20%。与基于YOLO v3、YOLO v4和ResNet+CenterNet的鱼群计数方法相比,召回率分别提高了5.80%、1.84%和3.48%,F1值分别提高了2.26%、0.33%和1.68%,平均精度均值分别提高了5.96%、1.97%和3.67%,表明基于本研究方法的计数结果与实际计数结果相差较小,综合性能更好。