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。     

基于集成学习的大西洋热带海域黄鳍金枪鱼渔情预报

利用 2016─2019 年中国渔业企业在大西洋热带海域(14°20′S~15°20′N; 47°38′W~2°30′E) 13 艘延绳钓作业渔船渔捞日志记录的黄鳍金枪鱼(Thunnus albacares)单位捕捞努力量渔获量(CPUE)数据, 结合海表面风速、叶绿素 a 浓度、涡动能以及 0~500 m 水层的垂直温度、盐度等海洋环境变量和空间因子(经纬度)建立了一系列黄鳍金枪鱼渔场预测模型。模型的时间分辨率为天(d), 空间分辨率为 0.25°×0.25°。该系列模型利用 75%的数据训练得到朴素贝叶斯(NB)、k 最近邻(KNN)、随机森林(RF)、分类与回归树(CART)、逻辑斯蒂回归(LR)、支持向量机(SVM)、梯度提升决策树(Xgboost)和 stacking 集成(由 NB、CART 和 LR 模型集成, STK)模型, 将 25%测试数据代入系列模型进行验证, 结果显示: (1) 黄鳍金枪鱼渔场预测准确率(ACC)分别为 61.62%、62.03%、66.37%、63.0%、63.26%、 64.97%、64.08%、68.72%; (2) 其对应的 ROC 曲线下面积(AUC)分别为 0.64、0.67、0.72、0.66、0.68、0.70、0.69、 0.72; (3) STK 模型的预测准确率较其他的方法均有所提高。建议使用 STK 模型对大西洋热带海域黄鳍金枪鱼渔场进行预测。     

基于集成学习的大西洋热带水域大眼金枪鱼渔情预报

为提高大西洋大眼金枪鱼渔场预报模型的准确率,实验利用13艘中国延绳钓渔船2013—2019年的渔捞日志数据和对应的海洋环境数据(海表面风速、叶绿素a浓度、涡动能、混合层深度和0～500 m水层的垂直温度、盐度和溶解氧等),以天为时间分辨率、2°×2°为空间分辨率、以数据集的75%为训练数据建立了K最近邻(KNN)、逻辑斯蒂回归(LR)、分类与回归树(CART)、支持向量机(SVM)、人工神经网络(ANN)、随机森林(RF)、梯度提升决策树(GBDT)和Stacking集成(STK)渔情预报模型,以25%的测试数据进行模型性能测试、比较。结果显示,(1) STK (由KNN、RF、GBDT模型集成)模型的大眼金枪鱼渔场预报性能较KNN、LR、CART、SVM、ANN、RF和GBDT模型有所提高且相对稳定,上述模型对应的准确率和ROC曲线下面积(AUC)依次分别为81.62%、0.781,79.44%、0.778,72.81%、0.685,74.84%、0.717,73.67%、0.702,67.70%、0.500,80.96%、0.780和78.13%、0.747;(2) STK模型预测...