基于深度学习YOLOV5网络模型的金枪鱼延绳钓电子监控系统目标检测应用

为评估金枪鱼延绳钓系统运行质量、降低人工成本,以及从金枪鱼延绳钓系统电子监控EMS系统中提取浮球、金枪鱼数量等信息,本文提出一种基于深度学习YOLOV5网络模型的金枪鱼延绳钓电子监控系统浮球及金枪鱼目标检测方法,从HNY722远洋渔船EMS系统视频监控数据中截取包含有目标浮球和金枪鱼的15578帧关键帧,将所有关键帧及其标记文件划分为14178个训练数据及1400个验证数据,基于YOLOV5s、YOLOV5l、YOLOV5m、YOLOV5x等4种YOLOV5神经网络模型,设计分组训练试验对比训练效果.结果表明:参与训练的4种神经网络模型均可完成金枪鱼延绳钓电子监控系统的目标检测任务,但网络模型的选择对广义交并比损失(GIoU loss)、目标检测损失(objectness loss)、准确率(precision)、召回率(recall)、多类别平均精度值(mAP)等参数具有显著性影响(P<0.05),对目标分类损失(classifi-cation loss)参数无显著性影响(P>0.05);检测效果表现较好的模型是YOLOV5l和YOLOV5m,二者的mAP@0.5值分别为99.1％和99.2％,召回率分别为98.4％和98.3％,但YOLOV5m网络模型在GIoU损失等表现上劣于YOLOV5l.研究表明,4种网络模型中YOLOV5l模型是最适合应用于金枪鱼延绳钓电子监控系统目标检测的网络模型.     

基于深度学习的鱼类跟踪技术研究进展

近年来,水产养殖和渔业资源保护的智能化发展迅速,对鱼类跟踪技术的需求也随之增加。传统的鱼类跟踪方法主要依赖于目视观察和标签追踪,存在效率低、应用范围有限、准确率不高等问题,限制了其推广应用。随着深度学习技术在计算机视觉领域的快速发展,基于深度学习的鱼类跟踪技术能够提供准确、客观、可扩展和自动化的跟踪方法。首先,介绍了鱼类跟踪技术的跟踪对象和4种深度学习鱼类追踪方法,分别是语义分割、实例分割、目标检测和目标分类。其次,介绍了鱼类跟踪技术如何获取鱼类轨迹与姿态、鱼类数量以及鱼类体长等鱼类目标跟踪信息。接着,介绍了基于深度学习的鱼类跟踪技术在鱼类疾病、鱼类摄食行为以及鱼类健康状态方面的应用,并从低对比度和纹理模糊、图像颜色失真以及遮挡和变形等3个方面,探讨了目前基于深度学习的鱼类跟踪技术的主要问题和一些相应的解决方法。最后,对基于深度学习的鱼类跟踪技术的发展前景进行了总结和展望。研究认为：基于深度学习的鱼类跟踪技术具有更高的准确度和客观性,为不同场景下的实际应用提供了更多解决方案,该技术有望在水产养殖管理、鱼类科学研究以及海洋环境保护等领域发挥更重要的作用,为相关领域提供更多的数据和支持。     

“养分平衡”技术理论在甜菜栽培中的应用

一、问题的提出糖用甜菜是我国制糖工业主要原料之一。近年来我国甜菜播种面积居世界第2位。但是,我国甜菜总产量和粗糖产量仅居世界第8位和第13位。单位面积产糖量在世界20个甜菜主要生产国中是倒数第1位。与法国相比,我国甜菜收获面积是法国的1.48倍,而单产、总产和单位面积产糖量分别只有法国的30.2%、44.8%和12.9%。     

甜菜营养诊断和平衡施肥计算机管理系统的研制与应用

甜菜营养诊断平衡施肥系统,是用于指导糖用甜菜定量施肥的计算机系统。该系统在建立高产高糖甜菜植株养分动态模型的基础上,以甜菜一生中各生育期标准养分状况为尺子,对相应生育期的大田甜菜植株10种营养元素的丰缺情况进行诊断,进而自动开出针对性很强的、定性又定量的施肥方案。准确地执行此方案可使被诊断田块内的甜菜达到以下要求:第一,所含营养元素完全;第二,每一元素含量充足;第三,元素之间彼此保持平衡状态。实现高产高糖的目的。