一种利用深度学习技术进行大黄鱼的目标检测方法及系统与流程

本发明涉及鱼类形态学目标检测，具体而言，涉及一种利用深度学习技术进行大黄鱼的目标检测方法及系统。

背景技术：

1、海水养殖在国民经济中占据重要地位，对确保国民经济的持续增长及人民生活水平的提高具有显著意义。对于水产产品的需求显著上升，导致水产养殖业的快速扩张，在养殖鱼类的过程中，研究人员利用一系列关键指标来指导优质鱼苗的筛选和培育。

2、目前，对鱼类形态学尺寸进行测量的主流方法主要是基于手工操作，该方法要求操作人员首先用捕鱼工具捕捉并固定鱼类，接着依赖于个人经验和目测或利用卷尺、测量工具等记录鱼的体长。这种方式不但效率低下，而且由于大量的人工参与，容易引入主观判断误差，影响测量结果的可靠性和一致性，增加错误率。另外，由于鱼类对环境的变化极为敏感，捕捉、麻醉及固定等步骤迫使鱼类离开其水生环境较长时间，这可能对其造成不同程度的物理伤害，诱发生理应激反应如神经过度兴奋、食欲下降等，极端情况可能导致死亡，这对于持续性的健康养殖产生负面影响。鉴于上述问题，探索高效、精确且对鱼类影响小的无接触测量方法显得尤为重要。

3、在当前的鱼类养殖领域，鱼体的三维形态学参数对渔业研究人员具有重要性。特别是在渔业研究中，研究人员在筛选鱼苗的时候往往需要参考鱼体的体长、体宽等三维形态学参数，采用基于计算机视觉的非接触式方法可以显著降低人力物力成本，提高数据收集的效率和准确性，并为育种工作提供关键参考。这种方法减少了对水生生物的应激反应，通过保护鱼体完整性并采用标准化测量流程，减少了主观偏差，加快了育种研究的进程。在水产养殖业中，准确测量三维形态学参数不仅对资源管理至关重要，还可以推动经济效益最大化和行业快速发展。总的来说，计算机视觉在渔业领域的应用不仅是科技进步的体现，也是行业现代化和高效化发展的重要标志。

4、在实际水产养殖实践中，鱼类形态学参数测量领域取得了较大进展，但是也存在一定问题如下：1.传统的鱼类形态学参数测量方法主要依赖于人工操作，这种方法效率低下且劳动强度大，而且由于测量误差较大，对数据分析的准确性和结果获取产生了不利影响。2.复杂的环境和鱼类特征使目标检测模型难以区分鱼类的关键信息。例如，在复杂的环境中，基于视觉的水下图像通常由于光在水中传播过程中的散射和吸收而显示出低对比度和不均匀的照明。此外，图像可能包含多个与鱼类相似的非鱼类背景干扰。对于复杂的鱼类特征来说，由于摄像机的视角不同，图像中鱼的尺度可能不一，可能从几百像素到几千像素不等。此外，在高密度场景中，鱼类之间可能发生相互遮挡。3.具有高检测精度的目标检测模型通常受到多个限制，并需要大量的计算资源。因此，迫切需要将轻量级目标检测模型应用于鱼类检测系统，以实现实时鱼类检测。大多数现有与水产养殖相关的研究提出的目标检测模型依赖于大规模标记数据集的训练，从而获得优秀的性能。然而，在图像中对密集分布的鱼类进行注释是一项耗时且劳动密集的任务。

技术实现思路

1、为了解决上述问题，本发明的目的是提供了一种利用深度学习技术进行大黄鱼的目标检测技术，聚焦于大黄鱼的三维形态学参数的实时自动化测量问题，意在协助养殖人员快速高效的筛选出高质量的大黄鱼鱼苗。

2、为了实现上述技术目的，本技术提供了一种利用深度学习技术进行大黄鱼的目标检测方法，包括以下步骤：

3、采集大黄鱼的三维形态学参数；

4、基于yolov8算法模型，通过引入resblock设计以增强模型特征提取能力，同时集成四种注意力机制模块，并采用siou损失函数以提高定位精度，以及利用交并比损失函数对注意力网络和颈部网络进行了优化，构建改进的yolov8算法模型，用于根据三维形态学参数，进行目标检测；

5、基于hrnet网络架构，通过引入空间特征离散化注意力模块替换架构中的点卷积进行改进，构建改进后的hrnet网络架构，用于根据目标检测结果对应的三维形态学参数，进行关键点检测，对大黄鱼进行定位。

6、优选地，在对yolov8算法模型进行改进的过程中，通过resblock设计，对yolov8算法模型的头网络结构进行优化，其中，resblock设计为双路设计：第一支路作为特征提取通道，通过串联三个不同核尺度的卷积层完成；第二支路为短路连接，直接传递原始输入特征或通过一次卷积操作以实现特征层之间的匹配。

7、优选地，在集成四种注意力机制模块的过程中，四种注意力机制模块包括rescbam模块、resgam模块、ressa模块和reseca模块。

8、优选地，在对yolov8算法模型进行改进的过程中，结合bifpn特征融合对yolov8算法模型的颈部网络进行优化。

9、优选地，在获取交并比损失函数的过程中，根据角度差异、距离差异、形状差异和iou差异，生成交并比损失函数，用于衡量角度损失、距离损失、形状损失和iou损失。

10、本发明公开了一种利用深度学习技术进行大黄鱼的目标检测系统，包括：

11、数据采集模块，用于获取大黄鱼的三维形态学参数；

12、检测模块，用于基于yolov8算法模型，通过引入resblock设计以增强模型特征提取能力，同时集成四种注意力机制模块，并采用siou损失函数以提高定位精度，以及利用交并比损失函数对注意力网络和颈部网络进行了优化，构建改进的yolov8算法模型，用于根据三维形态学参数，进行目标检测；

13、定位模块，用于基于hrnet网络架构，通过引入空间特征离散化注意力模块替换架构中的点卷积进行改进，构建改进后的hrnet网络架构，用于根据目标检测结果对应的三维形态学参数，进行关键点检测，对大黄鱼进行定位。

14、优选地，检测模块，还用于通过resblock设计，对yolov8算法模型的头网络结构进行优化，其中，resblock设计为双路设计：第一支路作为特征提取通道，通过串联三个不同核尺度的卷积层完成；第二支路为短路连接，直接传递原始输入特征或通过一次卷积操作以实现特征层之间的匹配。

15、优选地，检测模块的四种注意力机制模块包括rescbam模块、resgam模块、ressa模块和reseca模块。

16、优选地，检测模块，还用于结合bifpn特征融合对yolov8算法模型的颈部网络进行优化。

17、优选地，检测模块还用于根据角度差异、距离差异、形状差异和iou差异，生成交并比损失函数，用于衡量角度损失、距离损失、形状损失和iou损失。

18、本发明公开了以下技术效果：

19、本发明将数据测量问题转化为关键点定位问题，通过定义11个关键点来构建大黄鱼鱼体的骨架结构，从而准确描述二维图像中大黄鱼的身体形态。通过这种方法，可以以非接触、实时的方式获取大黄鱼的三维形态学参数。

20、本发明采用了最新的单阶段目标检测算法yolov8。结合残差注意力结构、双向特征融合结构和siou目标框损失函数，过使用这种算法，可以提高对大黄鱼的检测精度和准确性。

21、本发明采用了空间特征离散化和注意力模块相结合的方法。这种方法大大减少了关键点检测算法的参数量和计算量，有效提升了检测的速度。