利用目标检测获取水下鱼类图像中的生物信息,对于实现水产养殖信息化、智能化有重要意义.受到成像设备与水下拍摄环境等因素的影响,重叠鱼群尾数检测仍为水下目标检测领域的难点之一.该研究以水下重叠鱼群图像为研究对象,提出了一种基于图像增强与改进Faster-RCNN网络的重叠鱼群尾数检测模型.在图像预处理部分,该研究利用MSRCR算法结合自适应中值滤波算法进行水下图像增强;在Faster-RCNN网络的改进部分,该研究采用ResNeXt101网络作为模型主干网络、增加带有CBAM(Convolution Block Attention Module)注意力机制的Bi-PANet(Bilinear-PathAggregation Network)路径聚合网络、使用PAM(Partitioning Around Medoids)聚类算法优化网络初始预测框的尺度和数量、以Soft-NMS(Soft Non-Maximum Suppression)算法替代NMS(Non-Maximum Suppression)算法.通过以上措施提高模型对于重叠鱼群尾数的检测精度.通过消融试验可得,改进后的模型对水下重叠鱼群图像的平均检测精度和平均召回率分别为76.8％和85.4％,两项指标较Faster-RCNN模型分别提高了8.4个百分点和13.2个百分点.通过对多种模型的实际试验结果进行对比可知,改进后的模型的平均准确率相较于YOLOv3-spp、SSD300和YOLOv5x6分别高出32.9个百分点、12.3个百分点和6.7个百分点.改进后的模型对重叠数量为2～5尾的鱼群进行数量检测时,成功率分别为80.4％、75.6％、65.1％和55.6％,明显高于其他目标检测算法,可为重叠鱼群尾数检测提供参考.

深度学习;目标检测;图像增强;水下图像;鱼群重叠;Faster-RCNN

华中农业大学工学院,武汉 430070;农业农村部水产养殖设施工程重点实验室,武汉 430070

[1]谭鹤群;李玉祥;朱明;邓宇玄;佟明航-.通过图像增强与改进Faster-RCNN网络的重叠鱼群尾数检测)[J].农业工程学报,2022(13):167-176

PathAggregation,YOLOv5x6,鱼群重叠

Faster,RCNN,尾数,取水,鱼类,水产养殖,成像设备,水下目标检测,检测领域,检测模型,图像预处理,研究利用,MSRCR,自适应中值滤波,中值滤波算法,水下图像增强,ResNeXt101,主干网络,加带,CBAM,Convolution,Block,Attention,Module,注意力机制,PANet,Bilinear,Network,路径聚合网络,PAM,Partitioning,Around,Medoids,聚类算法,算法优化,Soft,NMS,Non,Maximum,Suppression,检测精度,召回率,百分点,平均准确率,YOLOv3,spp,SSD300,数量检测,目标检测算法

0.374209