融合通道剪枝与ByteTrack的轻量化金枪鱼渔获数量实时检测

自动准确收集渔业捕捞数据是电子观察员系统的重要组成部分,然而,由于工作环境的复杂性和跟踪的不稳定性,金枪鱼延绳钓渔获数量自动估计在实践部署中仍存在挑战。本研究设计了一个轻量级计数网络对渔船上的实时视频数据进行自动处理,实现对金枪鱼渔获物的实时跟踪和计数。本研究选择YOLOv5s作为基准网络,首先采用通道剪枝算法对YOLOv5s的主干网络进行修剪,结果表明,剪枝后的模型检测精度mAP0.5-0.95达到68.8%,CPU下检测速度为16.5帧/秒（FPS）,与原始模型相比,检测效果基本不变,模型的参数量、模型大小和计算量分别减少了67.2%、66.4%和42.5%,检测速度提高了32.5%。其次,利用ByteTrack算法实现了多目标的实时跟踪,优化了计数区域形状,解决了被跟踪金枪鱼身份（ID）跳变导致的计数偏差问题,10个视频的测试结果表明,该方法的平均计数准确率为80%,视频处理速度为50.7帧/秒,满足工业级实时检测要求。综上,该模型具有轻量化、高精度、实时性等优点,可在复杂的工作环境下完成对延绳钓捕捞结果的实时监控,为实现渔业自动化提供思路。     

基于全卷积网络的南太平洋长鳍金枪鱼渔场预报模型

长鳍金枪鱼(Thunnus alalunga)为南太平洋延绳钓的主要目标鱼种之一,精确预报其渔场对于提高捕捞效率和优化渔业资源管理具有重要意义。本研究依据2000-2015年南太平洋长鳍金枪鱼的延绳钓数据、渔场时空数据以及海表温度、叶绿素a浓度和海面高度3种环境因子,采用全卷积网络构建了一种以月为单位、空间分辨率为5°×5°的渔场预报模型。本研究提出三维独热编码技术将各月环境数据映射到三维矩阵的不同层上,并设计2种卷积结构和3种全卷积网络模型,利用2015年数据对研究模型进行验证,最佳模型总精准率达到72.0%。结果表明,全卷积网络在一定程度上解决了传统渔场预报方法在处理高维复杂海洋数据时准确率偏低的问题,为渔场预报提供了一种新方法。     

基于 YOLOV5-MobilenetV3 和声呐图像的鱼类识别轻量化模型

【目的】网箱生物识别和统计是海洋牧场的养殖管理的关键参考因素之一。针对混响噪声和复杂背景的干扰,构建不同光照条件下鱼类检测数据集,采用前视声呐成像技术,提出一种基于 YOLOV5-MobilenetV3 和声呐图像的鱼类识别轻量化模型（LAPR-Net）,实现浑浊或黑暗场景下水体网箱的鱼类识别。【方法】以罗非鱼为研究对象,基于 YOLOV5 模型的框架结构,主干网络模块采用轻量级 MobileNetV3 bneck 模块,利用线性瓶颈的逆残差结构和深度可分离卷积提取声呐图像中鱼类的特征,通过注意力机制 SE-Net 获取声呐图像多尺度语义特征并增强特征之间的相关性;颈部网络采用路径聚合网络结构,对目标特征进行多尺度融合,增强特征融合能力;预测部分采用基于非极大抑制方法进行最大局部搜索,去除冗余的检测框,筛选置信度最高的检测框,最终输出并显示鱼的检测结果,包含位置、类别以及检测目标的概率。【结果】选择 4 种其他主流的检测模型进行对比试验,包含 YOLOV3-ting（Darknet53）、YOLOV5（CSPdarknet53）、YOLOV5（Repvgg）、YOLOV5s（Transformer）,提出模型参数量为 3 545 453、计算量为 6.3 G、mAP 为 0.957,模型平均每张图片推理速度为 0.08868 s,同 YOLOV5 模型相比,改进后模型 mAP 提高 9.7%。【结论】本文提出的模型提高了训练和识别速度,降低了硬件设备要求,可为海洋牧场网箱养殖鱼类检测模型提供参考。     

主捕长鳍金枪鱼延绳钓钓具的最适浸泡时间

根据2012年9月21日-11月15日库克群岛海域金枪鱼延绳钓海上调查数据,建立了钓钩深度计算模型,分两种起绳方式建立了作业中每一根支绳的浸泡时间计算模型。将钓钩深度以40 m为一层,共分为6个水层(40~80 m、80~120 m、120~160 m、160~200 m、200~240 m和240~280 m),统计每个水层和整个水体内的钓钩数量和长鳍金枪鱼(Thunnus alalunga)的渔获尾数。计算每个水层和整个水体内的钓具浸泡时间,并以1 h为间隔分别统计每个区间的支绳数量及渔获尾数,计算其渔获率。结果表明:(1)二次曲线可拟合浸泡时间与长鳍金枪鱼渔获率的关系,其渔获率随浸泡时间的增加呈现先增后减的趋势;(2)长鳍金枪鱼在40~280 m整个水体、6个水层中渔获率最高的浸泡时间为11.0~11.4 h。建议:(1)主捕长鳍金枪鱼时,尽可能把支绳的浸泡时间设定在10.0~12.0 h左右,以提高捕捞效率;(2)对于漂流延绳钓,整个水体的最佳浸泡时间可代表各个水层的最佳浸泡时间;(3)目标鱼种不同,钓具的最佳浸泡时间也不同;(4)浸泡时间可作为延绳钓钓具有效捕捞努力量。研究结果可用于提高长鳍金枪鱼捕捞效率,为渔业生产和CPUE的标准化提供参考。     

库克群岛海域海洋环境因子对黄鳍金枪鱼渔获率的影响

为了提高延绳钓渔业中黄鳍金枪鱼(Thunnus albacrares)的渔获率并减少其他非目标种类的兼捕率,根据2013年9月8日至12月31日在库克群岛海域(9°S~19°S,157°W~168°W)延绳钓渔业调查数据,包括钓钩深度、温度、叶绿素a浓度、三维海流、作业参数、渔获统计等数据,利用DPS软件采用多元线性逐步回归的方法建立钓钩拟合深度计算模型,采用统计和谱系聚类的方法分析黄鳍金枪鱼渔获率与海洋环境因子的关系。结果表明:库克群岛海域黄鳍金枪鱼渔获率较高的水层、温度、叶绿素a浓度以及东西方向、南北方向、垂直方向、水平方向的海流流速分别为120~160 m、21~22℃、0.32~0.36μg/L和0.40~0.44μg/L、-0.20~-0.10 m/s和0~0.20 m/s、-0.10~0.20 m/s、-0.10~0.06 m/s和0.02~0.06 m/s、0.20~0.30m/s。建议在该海域作业并以黄鳍金枪鱼为目标鱼种时,在渔获率较高的水层、温度、叶绿素a浓度和海流范围内可增加钓钩投放数量。     

基于YOLOv5改进模型的柑橘果实识别方法

为实现在自然环境下对柑橘果实的识别,提出一种基于YOLOv5改进模型的柑橘识别方法。通过引入CBAM（convolutional block attention module,卷积注意力模块）注意力机制模块来提高网络的特征提取能力,改善遮挡目标与小目标的漏检问题;采用α-IoU损失函数代替GIoU损失函数作为边界框回归损失函数,提高边界框定位精度。结果显示：本研究提出的模型平均精度AP值达到91.3%,在GPU上对单张柑橘果实图像的检测时间为16.7 ms,模型占用内存为14.5 Mb。结果表明,本研究基于YOLOv5的改进算法可实现在自然环境下快速准确地识别柑橘果实,满足实时目标检测的实际应用需求。     

基于改进YOLO v5s的温室番茄检测模型轻量化研究

番茄检测模型的检测速度和识别精度会直接影响到番茄采摘机器人的采摘效率,因此,为实现复杂温室环境下对番茄精准实时的检测与识别,为采摘机器人视觉系统研究提供重要的参考价值,提出一种以YOLO v5s模型为基础,使用改进的MobileNet v3结构替换主干网络,平衡模型速度和精度。同时,在颈部网络引入Ghost轻量化模块和CBAM注意力机制,在保证模型检测精度的同时提高模型的检测速度。通过扩大网络的输入尺寸,并设置不同尺度的检测网络来提高对远距离小目标番茄的识别精度。采用SIoU损失函数来提高模型训练的收敛速度。最终,改进YOLO v5s模型检测番茄的精度为94.4%、召回率为92.5%、均值平均精度为96.6%、模型大小为7.1 MB、参数量为3.69 M、浮点运算(FLOPs)为6.0 G,改进的模型很好地平衡了模型检测速度和模型识别精度,能够快速准确地检测和识别复杂温室环境下的番茄,且对远距离小目标番茄等复杂场景都能实现准确检测与识别,该轻量化模型未来能够应用到嵌入式设备,对复杂环境下的温室番茄实现实时准确的检测与识别。     

大西洋中部延绳钓黄鳍金枪鱼渔场时空分布与温跃层的关系

为了解大西洋延绳钓黄鳍金枪鱼(Thunnus albacares)渔场适宜的温跃层参数分布区间,采用Argo浮标水温信息和大西洋金枪鱼会委员(International Commission for the Conservation of Atlantic Tunas ICCAT)的黄鳍金枪鱼延绳钓渔获数据,绘制了大西洋中部月平均温跃层特征参数和月平均单位捕捞努力量渔获量(Catch per unit effort CPUE)的空间叠加图,用于分析大西洋中部延绳钓黄鳍金枪鱼中心渔场时空分布和温跃层特征参数关系。分析结果表明:大西洋中部温跃层上界深度、温度具有明显的季节性变化,而温跃层下界深度、温度没有明显的季节变化特征。空间叠加图显示,1-6月份在赤道地区中心渔场主要分布在温跃层上界深度为20-60 m之间。7-9月份在60-80 m,同期在纳米比亚外海,中心渔场区域温跃层上界深度超过100 m。10-12月份,中心渔场区域温跃层上界深度下降到60 m左右。全年在赤道区域,中心渔场CPUE主要分布在温跃层上界温度26-29 ℃,低于24℃区域渔获率很低;温跃层下界深度在160-250 m,集中在230 m;温跃层下界温度在12-14 ℃之间,在此区间外CPUE值都比较低。7-11月份,在纳米比亚外海的中心渔场区域上界温度会低至20 ℃,下界深度分布在140-160 m,下界温度在14-15 ℃左右。数值计算得出大西洋中部黄鳍金枪鱼适宜的温跃层上界温度是26-28.9 ℃;适宜的温跃层下界温度和深度分别是12-14.9 ℃和150-249 m,而上界深度和中心渔场CPUE关系不明显。研究得出大西洋延绳钓黄鳍金枪鱼中心渔场温跃层各特征参数的适宜分布区间及季节变化特征,为延绳钓黄鳍金枪鱼实际生产作业和资源管理提供理论参考。     

基于YOLOV4模型的果园樱桃实时检测研究

为解决在自然环境下对樱桃不同生长时期的状态监测受环境影响存在目标识别困难、检测准确率低的问题,提出了一种基于CSPDarknet53改进的卷积神经网络樱桃分类检测模型。经典YOLOV4所使用的特征提取网络层数较深,能够提取更高级的抽象特征,但是对目标局部感知能力较弱,通过在CSPDarknet53网络结构上融合CBAM注意力机制,增强了目标局部特征感知能力,进一步提升目标检测精度,其特征提取和目标检测能力优于原算法,调整特征提取网络的特征层输出,将第三层输出变为第二层输出以增加小目标语义信息的获取,利用k-means算法优化先验框尺寸以适应樱桃目标大小,并进行了消融实验分析。结果表明,改进的YOLOV4樱桃检测模型模型的平均精度达到了92.31%,F1分数达到了87.3%,优于Faster RCNN、YOLOV3和原来的YOLOV4算法,检测速度为40.23幅·s^-1,适用于自然环境下的樱桃监测,为实现果园水果生长状态自动监测提供了理论和技术基础。     

基于改进YOLOv5＿OBB的中华绒螯蟹旋转目标检测

【目的】提出一种基于改进YOLOv5＿OBB的旋转目标检测方法,快速、准确地检测和定位中华绒螯蟹。【方法】首先,在YOLOv5＿OBB的主干网络中引入高效通道注意模块;其次,采用BiFPN网络结构进行特征融合模块设计,实现高效的双向跨尺度连接和加权特征融合;最后,采用变焦损失(varifocal loss)解决正负样本不均衡问题。【结果】改进后YOLOv5＿OBB模型的P(precision)、R(recall)和mAP(mean average precision)分别达到95.4%、95.2%和90.1%,比原模型分别提高了1.0%、1.9%和1.3%。【结论】该模型能够实时、准确地检测和定位中华绒螯蟹,实现自动化养殖。