利用卷积神经网络对深海网箱的死鱼实时检测的方法技术

本文提出了利用卷积神经网络对深海网箱的死鱼实时检测的方法，包括图像采集、图像处理及网络模型；采集后的图像进行标注，调整图像尺寸得到输入图像，输入到目标检测网络，首先图片被输入到改进的YOLOv8n主干网络提取目标的特征信息，用可变形卷积（Deformable V2）[19]代替骨干网络中的标准卷积，可以学习到目标形状的偏移信息，从而更好适应目标的形状，增强网络对图像变换的鲁棒性，减少参数量和计算复杂度。利用EMA注意力机制（Efficient Multi‑Scale Attention Module with Cross‑Spatial Learning）[20]在保留每个通道信息和减少计算开销的基础上，对部分通道进行批量重构，并将通道维度分组为多个子特征，使空间语义特征在每个特征组内均匀分布。有效提高网络的特征提取能力，从而提高在复杂水下环境中目标检测的精度。

【技术实现步骤摘要】

本专利技术涉及一种利用卷积神经网络对深海网箱的死鱼实时检测的方法，属于深度学习。

技术介绍

1、居民的生活水平不断提高，对高端优质水产品的需求也在迅速增加。近海渔业资源逐渐枯竭，深远海养殖模式成为渔业发展的趋势。在养殖过程中，及时发现死鱼至关重要，因为这直接影响到养殖的成鱼率。如果不能及时发现死鱼，就会导致水域污染区域扩大，从而引起海洋养殖环境污染的加重，甚至可能造成更大面积的死鱼和环境的恶性循环，给海洋牧场带来更多的经济损失。尽管网箱养殖在各种深海水产养殖方法上有许多优势，但是死鱼检测难度也随着养殖网箱离岸距离的增加而增加。而目前无论多大规模的网箱养殖中，判断死鱼的方法依然以传统方式为主，即渔民开船到网箱旁巡视或者是潜水员在水下进行查看，其存在的难题如下：

2、（1）危险性大、易受环境影响。

3、（2）需要大量的人力物力财力，效率比较低，且随着网箱的增加工作量成倍的增加。

4、（3）人工判断的死鱼不具有完整的统计学意义，无法通过大批量的样本形成规律，为后续研究提供指导性的建议。

5、为了有效解决实时检测死鱼本文档来自技高网...

【技术保护点】

1.一种利用卷积神经网络对深海网箱的死鱼实时检测的方法，包括图像采集、图像处理及网络模型。

2.所述图像处理，是指采集后的图像按8:2分为训练集与预测集，使用labelimg对所有图像进行标注，得到含所有目标的真实框的图像，并对所有真实框进行尺寸聚类，得到最适合于死鱼检测训练的真实框尺寸，并调整图像尺寸，形成输入图像，输入图像适用于网络模型。

3.根据权利要求1所述的利用卷积神经网络对深海网箱的死鱼实时检测的方法，其特征在于，所述图像采集是使用相机采集大小为1920*1080的石斑鲷图像；该图像中，因石斑鲷体型大、密集而导致的紧密相邻情况，形成类内遮挡。

【技术特征摘要】

1.一种利用卷积神经网络对深海网箱的死鱼实时检测的方法，包括图像采集、图像处理及网络模型。

2.所述图像处理，是指采集后的图像按8:2分为训练集与预测集，使用labelimg对所有图像进行标注，得到含所有目标的真实框的图像，并对所有真实框进行尺寸聚类，得到最适合于死鱼检测训练的真...

【专利技术属性】
技术研发人员：岳峻，王云峰，李梅，李文升，
申请(专利权)人：鲁东大学，
类型：发明
国别省市：