基于深度学习的低亮度环境下死鱼识别计数系统及方法技术方案

本发明专利技术公开了基于深度学习的低亮度条件下死鱼识别计数系统及方法，针对鱼类养殖池晚上光照不足的实际情况，采用无人机对养殖池的图像进行实时拍摄，并对

【技术实现步骤摘要】
基于深度学习的低亮度环境下死鱼识别计数系统及方法


[0001]本专利技术属于图像识别领域，具体涉及一种基于深度学习的低亮度环境下死鱼识别计数系统及方法
。

技术介绍

[0002]在夜晚缺乏光照的情况下，水体中植物光合作用停止导致含氧量会下降，容易导致鱼类缺氧死亡
。
此外，夜晚环境黑暗，养殖场地光照条件较差，摄像头所拍摄的照片往往存在亮度和对比度较低的问题，而且普通摄像头还存在监控面积较小，从而影响死鱼的检测
。
如果未能发现和预警死鱼情况，将导致经济损失
。
[0003]传统的死鱼识别方法通常采用人工，这种方法耗费时间和人力成本大，受到人力资源和时间的限制，一天无法进行全天候的检测，尤其是对于面积巨大的养殖鱼塘，人工成本更是巨大
。
随着人工智能和深度学习技术的快速发展，图像目标检测技术在农业领域的应用越来越广泛，
FasterRCNN
和
YOLO
等经典的识别模型相继问世，成为该领域中被广泛采用的技术手段
。《
一种基于深度卷积神经网络的死鱼识别方法及预警系统
》
将
Faster RCNN
的原模型直接迁移到水下死鱼识别上
。《
基于图像识别的养殖鱼监控方法及系统
》
则直接将
YOLO
模型运用到鱼类识别上
。
上述方法均直接套用了现有模型，没有针对性地对模型进行优化，造成识别精度低的问题/>。
[0004]现有技术中公开号为
CN114937200A
的基于深度学习的池塘死鱼检测方法
、
装置
、
设备及介质，通过改进的
yolov5
死鱼检测模型第一图像中是否存在死鱼；若是，采集目标区域对应的第二图像，若否，则重新检测第一图像
。
[0005]引用的文件仅考虑采用改进的目标检测算法对死鱼进行检测，并没有考虑夜晚实际养殖环境对目标检测精度的影响，进而影响整个装置设备的准确性
。
所以我们提出了一种基于深度学习的低亮度环境下死鱼目标检测计数系统及方法，以便解决上述提出的问题
。

技术实现思路

[0006]本专利技术的目的在于提供一种基于深度学习的低亮度环境下死鱼识别计数系统，以解决上述
技术介绍
提出的目前市场上没有针对夜晚低亮度环境下对死鱼进行识别计数的问题
。
[0007]本专利技术的技术方案如下：
[0008]一种基于深度学习的低亮度环境下死鱼识别计数系统，所述系统包括：
[0009]无人机数据采集模块，用无人机在夜间对养殖池的水面进行循环拍摄，对已经死亡上浮的死鱼进行视频采集；
[0010]死鱼图像数据集模块，用于存放无人机在养殖池上采集的图像；
[0011]图像亮度校正模块，用于对采集图像进行预处理，对图像动态范围内的亮度进行还原校正，便于后续进行目标检测；
[0012]注意力机制模块，对输入的不同部分赋予不同的权重，抽取出更加关键及重要的信息，加强识别中抗干扰的能力；
[0013]死鱼目标检测模块，以
YOLOv8
算法模型为初始起点，与注意力机制模块融合，将鱼类位置用检测框框选出来，完成鱼类目标检测
。
[0014]优选的，所述无人机数据采集模块包括无人机
、
摄像头和计算机，所述无人机
、
摄像头和计算机连接，摄像头通过拍摄视频收集养殖池水面死鱼图像，使用基于深度学习目标检测技术实现了对低亮度环境下死鱼检测系统的搭建
。
[0015]优选的，所述死鱼图像数据集模块，包括死鱼类
、
活鱼类两大类别数据，并分为训练集
、
验证集和测试集三个数据集；
[0016]优选的，所述图像亮度校正模块使用的是
Gamma
算法对输入图像灰度值进行的非线性操作，使输出图像灰度值与输入图像灰度值呈指数关系，使得所得的低亮度环境下图片的亮度和对比度得到校正，以提高模型识别的精度
。
[0017]优选的，所述注意力机制模块采用了
CBAM
注意力机制，
CBAM
注意力机制是通道注意力机制和空间注意力机制的结合，能够提高模型的性能和鲁棒性，增强特征的表达能力和可解释性，提高模型的精度以及加快训练时的收敛
。
[0018]优选的，所述
YOLOv8
算法基本模型框架包括输入端
、
主干网络和检测头；
[0019]所述输入端为经过图像预处理后分辨率为
640*640
的图片；
[0020]所述主干网络连续主要用到两个
3*3
的卷积核
、c2f
模块和
spp
模块；所述两个
3*3
的卷积核使分辨率下降了四倍，获得两个特征图，分别为
64
和
128
层；所述
C2f
模块使用了3个卷积模块
Conv+BN+SiLU
，以及3个
BottleNeck,
；所述
spp
模块又将任意大小的特征图转换成固定大小的特征向量，将输入的图片分成
1*1
分块
、2*2
分块和
4*4
分块，取出每个分块内的
max
值共有
1*1+2*2+4*4
＝
21
个，将这
21
个最大值作为特征值连接在一起；
[0021]其中检测头采用解耦头结构，将分类和检测分离
。
[0022]本专利技术还提供一种基于深度学习的低亮度环境下死鱼识别计数方法，包括以下步骤：
[0023]S1:
操控无人机在养殖池上方悬停，对养殖池水面进行拍摄；
[0024]S2:
将无人机拍摄的低亮度环境下的死鱼视频通过抽帧生成一组图像数据库，将所述低亮度环境死鱼图像数据生成表格文件进行存储；
[0025]S3:
构建低亮度环境下死鱼图像数据集，对养殖环境中的死鱼进行名称标注和位置框选，然后将其分为训练集
、
验证集和测试集；
[0026]S4:
将标注完成的训练集和验证集路径加入到数据集配置文件
VOC.yaml
，在配置文件
default.py
文件中设置好目标检测模型的训练参数，运行
train.py
文件，对模型进行训练，直到完成设定
epoch
的训练轮次，导出应用的目标检测模型
fish_best.pt,
再应用到
predict.py
使用测试集对其进行验证目标检测模型的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习的低亮度环境下死鱼识别计数系统，其特征在于，所述系统包括：无人机数据采集模块，用无人机在夜间对养殖池的水面进行循环拍摄，对已经死亡上浮的死鱼进行视频采集；死鱼图像数据集模块，用于存放无人机在养殖池上采集的图像；图像亮度校正模块，用于对采集图像进行预处理，对图像动态范围内的亮度进行还原校正，便于后续进行目标检测；注意力机制模块，对输入的不同部分赋予不同的权重，抽取出更加关键及重要的信息，加强识别中抗干扰的能力；死鱼目标检测模块，以
YOLOv8
算法模型为初始起点，与注意力机制模块融合，将鱼类位置用检测框框选出来，完成鱼类目标检测
。2.
根据权利要求1所述的基于深度学习的低亮度环境下死鱼识别计数系统，其特征在于，所述无人机数据采集模块包括无人机
、
摄像头和计算机，所述无人机
、
摄像头和计算机连接，摄像头通过拍摄视频收集养殖池水面死鱼图像，使用基于深度学习目标检测技术实现了对低亮度环境下死鱼检测系统的搭建
。3.
根据权利要求1所述的基于深度学习的低亮度环境下死鱼识别计数系统，其特征在于，所述死鱼图像数据集模块，包括死鱼类
、
活鱼类两大类别数据，并分为训练集
、
验证集和测试集三个数据集
。4.
根据权利要求1所述的基于深度学习的低亮度环境下死鱼识别计数系统，其特征在于，所述图像亮度校正模块使用的是
Gamma
算法对输入图像灰度值进行的非线性操作，使输出图像灰度值与输入图像灰度值呈指数关系，使得顶置摄像头所得的低亮度环境下图片的亮度和对比度得到校正，以提高模型识别的精度
。5.
根据权利要求1所述的基于深度学习的低亮度环境下死鱼识别计数系统，其特征在于，所述注意力机制模块采用了
CBAM
注意力机制，
CBAM
注意力机制是通道注意力机制和空间注意力机制的结合，能够提高模型的性能和鲁棒性，增强特征的表达能力和可解释性，提高模型的精度以及加快训练时的收敛
。6.
根据权利要求1所述的基于深度学习的低亮度环境下死鱼识别计数系统，其特征在于，所述
YOLOv8
算法基本模型框架包括输入端
、
主干网络和检测头；所述输入端为经过图像预处理后分辨率为
640*640
的图片；所述主干网络包括两个
3*3
的卷积核
、c2f
模块和
spp
模块；所述两个
3*3
的卷积核使输入图片分辨率下降了四倍，获得两个特征图，分别为
64
和
...

【专利技术属性】
技术研发人员：刘洺辛，戚梓铧，侯明鑫，
申请(专利权)人：广东海洋大学，
类型：发明
国别省市：