文献类型：期刊文章

作　　者：赵梦[1,2] 于红[1,2] 李海清[1,2] 胥婧雯[1,2] 程思奇[1,2] 谷立帅[1,2] 张鹏[1,2] 韦思学[1,2] 郑国伟[1,2]

ZHAO Meng;YU Hong;LI Haiqing;XU Jingwen;CHENG Siqi;GU Lishuai;ZHANG Peng;WEI Sixue;ZHENG Guowei(College of Information Engineering, Liaoning Provincial Key Laboratory of Marine Information Technology, Dalian Ocean University, Dalian 116023, China;Key Laboratory of Environment Controlled Aquaculture (Dalian Ocean University), Ministry of Education, Dalian 116023, China)

机构地区：[1]大连海洋大学信息工程学院,辽宁省海洋信息技术重点实验室,辽宁大连116023 [2]设施渔业教育部重点实验室(大连海洋大学),辽宁大连116023

出　　处：《大连海洋大学学报》

基　　金：辽宁省重点研发计划项目(2020JH2/10100043);辽宁省科技重大专项(2020JH1/10200002);辽宁省教育厅重点科研项目(LJKZ0729);国家自然科学基金(31972846)。

年　　份：2022

卷　　号：37

期　　号：2

起止页码：312-319

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAB、CAS、CSCD、CSCD2021_2022、JST、RCCSE、WOS、ZGKJHX、核心刊

摘　　要：为解决真实养殖环境下,水下成像模糊、失真等导致鱼群检测准确率低的问题,提出一种融合视觉注意力机制SKNet(selective kernel networks)与YOLOv5(you only look once)的养殖鱼群检测方法(SK-YOLOv5模型),该方法首先采用UNet(convolutional networks for biomedical image segmentation)对图像进行预处理,得到清晰的鱼群图像,然后将SKNet融合到YOLOv5的Backbone端构成关注像素级信息的特征提取网络,加强对模糊鱼体的识别能力,并在水下模糊鱼群图像数据集上进行了消融试验和模型对比试验,以验证SK-YOLOv5的有效性。结果表明:在鱼群检测任务上,SK-YOLOv5的识别精确率和召回率分别达到了98.86%和96.64%,检测效果比YOLOv5分别提升了2.14%和2.29%,与目前检测准确率较高的水下目标检测模型XFishHmMp和FERNet相比,SK-YOLOv5取得了较好的检测效果,与XFishHmMp模型相比,识别精确率和召回率分别提升了5.39%和5.66%,与FERNet模型相比,识别精确率和召回率分别提升了3.59%和3.77%,实现了真实养殖环境下鱼群的准确检测。研究表明,融合SKNet与YOLOv5的养殖鱼群检测方法,有效地解决了水下模糊图像鱼群检测准确率低的问题,提升了养殖鱼群检测和识别的整体效果。

关 键 词：鱼群检测  YOLOv5  UNet  SKNet  视觉注意力机制  深度学习  

分 类 号：S932.2] TP391[水产类]