基于深度学习的复杂背景下养殖鱼群检测

作     者：赵梦 

作者单位：大连海洋大学 

学位级别：硕士

导师姓名：于红

授予年度：2022年

学科分类：08[工学] 081104[工学-模式识别与智能系统] 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] 0811[工学-控制科学与工程] 

主      题：水产养殖 反光去除 YOLOv5 鱼群检测 

摘      要：工厂化养殖是现代渔业发展的趋势,精准养殖是工厂化养殖的方向,养殖鱼类生长状况的自动监测是精准养殖的基础,养殖鱼群目标检测是鱼类生长状况自动监测的核心。准确检测养殖池中的鱼群,可以为鱼类行为分析,鱼类生长状况测量提供支撑。但在真实养殖环境下,养殖池塘中捕获的图像通常存在反光和模糊的现象,导致鱼群检测准确率较低。本文针对非均匀强反光背景下和模糊背景下的养殖鱼群检测问题,开展了反光去除、提升模糊图像清晰度和鱼群检测等研究。具体研究内容及创新点如下:1.基于YOLOv5和CVAE的非均匀强反光背景下养殖鱼群检测(Yv5-C-AL-Yv5)。为去除图像中的非均匀强反光,首先利用YOLOv5对强反光区域进行识别,并在YOLOv5末端引入Mask机制,得到遮挡反光区域的图像,作为后续反光区域修复模块的条件标签;然后将CVAE与条件标签相结合,推断出反光区域的先验分布,根据该分布修复反光区域,从而去除图像中的反光,并在CVAE末端加入对抗学习以提升去除反光图像的质量;最后,进一步训练YOLOv5,用于检测去除反光图像中的鱼群。在非均匀强反光数据集上进行了对比实验以验证所提方法的有效性。实验结果表明,在鱼群检测任务上,反光去除后的效果优于反光去除前,精确率和召回率分别提高了2.72%和2.41%;与水下群体目标检测模型XFish Hm Mp和FERNet对比,Yv5-C-AL-Yv5取得了最佳检测效果,有效提升了非均匀强反光背景下养殖鱼群检测的准确率。2.融合SKNet与YOLOv5的模糊背景下养殖鱼群检测(SK-Yv5)。该方法为提升模糊、失真图像的清晰度,采用UNet对图像进行预处理,通过编码器和特征拼接将不同像素的语义信息映射到解码器,不断学习该映射对应更深层次的特征,得到更清晰的鱼群图像;为加强网络对鱼群特征的提取能力,将SKNet视觉注意力机制融合到YOLOv5主干网络的末端构成关注像素级信息的特征提取网络,着重学习鱼群特征,提高特征信息的利用率,以此加强网络对模糊鱼体的识别能力。在水下模糊鱼群数据集上进行了消融实验和不同模型的鱼群检测对比实验以验证所提方法的有效性。实验结果表明,在鱼群检测任务上,SK-Yv5的检测效果优于YOLOv5,精确率和召回率分别提升了2.14%和2.29%;与水下群体目标检测模型XFish Hm Mp和FERNet对比,SK-Yv5取得了最佳检测效果,实现了模糊背景下养殖鱼群的准确检测。