基于YOLOv5目标检测算法的航道工程鱼类智能识别技术研究

作     者：邱宁 彭士涛 KONDOLF George Mathias 胡健波 马国强 于迅 QIU Ning;PENG Shitao;KONDOLF George Mathias;HU Jianbo;MA Guoqiang;YU Xun

作者机构：交通运输部天津水运工程科学研究所港口水工建筑技术国家工程研究中心水路交通环境保护技术交通行业重点实验室天津300456 加州大学伯克利分校伯克利48072 

出 版 物：《水道港口》 (Journal of Waterway and Harbor)

年 卷 期：2024年第45卷第5期

页      面：806-815页

学科分类：081505[工学-港口、海岸及近海工程] 08[工学] 081601[工学-大地测量学与测量工程] 0815[工学-水利工程] 0816[工学-测绘科学与技术] 0824[工学-船舶与海洋工程] 0814[工学-土木工程] 082401[工学-船舶与海洋结构物设计制造] 

基　　金：国家重点研发计划政府间国际科技创新合作项目(2019YFE0121000) 国家自然科学基金项目(32101241) 青海省交通运输厅科技项目(2019-07) 

主　　题：YOLOv5 目标检测 鱼类智能识别 航道工程 深度学习 生态影响评估 

摘      要：为促进深度学习技术在航道工程生态影响评估方面的应用,提高内河航道建设的生态化和智能化水平。文章筛选了36种长江航道工程区域典型鱼类为目标鱼种,采用原位与室内两种场景水下影像采集及人工标注的方法,建立了航道工程鱼类目标检测数据集。进一步利用该数据集基于YOLOv5目标检测算法进行了模型训练,并对训练的模型进行了测试验证。模型测试结果表明,训练数据集的精确率分数为0.933,召回率分数为0.98,平衡点处F1分数为0.89,均接近于1,训练效果较好。训练数据集与验证数据集的标注框损失值、目标损失值和分类损失值均趋近于0,训练和验证数据的拟合程度良好。混淆矩阵图表明不同鱼体之间能够互相区分,且能够预测为各自正确的类别。验证数据集整体mAP值为0.933,召回率分数0.98,F1平衡点处分数0.89,识别效果较好。整体测试结果表明研究形成的基于YOLOv5的目标检测技术对航道工程典型鱼类具有优良的目标检测与识别效果。