相关实验视频
Updated: Jul 23, 2025
10:56
Long-term Behavioral Tracking of Freely Swimming Weakly Electric Fish
Published on: March 6, 2014
12.6K
在水产养殖环境中基于多特征融合模型的鱼类图像细分方法
Dashe Li1, Yufang Yang1, Siwei Zhao1
1School of Computer Science and Technology, Shandong Technology and Business University, China.
Marine environmental research
|July 18, 2023
概括
这项研究引入了一种新的卷积神经网络模型,用于细分水下鱼类图像,提高在具有挑战性的海洋环境中的准确性. 开发的模型增强了特征提取,用于更好的智能水产养殖应用.
科学领域:
- 计算机视觉 计算机视觉
- 海洋生物学 海洋生物学
- 人工智能的人工智能
背景情况:
- 水下鱼的图像处理对于智能水产养殖至关重要,但面临着诸如颜色造,低对比度和模糊等挑战.
- 现有的细分方法缺乏适应性模型,导致在复杂的海洋环境中准确度低于最佳.
研究的目的:
- 开发一种先进的卷积神经网络 (CNN) 模型,用于准确的水下鱼类图像细分.
- 通过提出适应性预处理和特征提取模块来解决当前方法的局限性.
主要方法:
- 一种新的鱼类图像预处理技术,使用像素值和最小欧几里德距离来增强功能.
- 引入一个多尺度的注意力特征提取模块 (MAFEM),集成适应性道注意力和扩展卷积金字塔聚合.
- 训练和验证模型使用自定义VOC格式数据集的水下鱼类图像.
主要成果:
- 拟议的模型在水下鱼类图像数据集上实现了92.6%的平均交叉与结合 (MIoU).
- 与传统模型相比,显示了显著的改进,MIoU的平均增加为1.84%,平均像素精度 (MPA) 为0.785%,F1得分为1.18%.
- MAFEM模块有效地加强了高级语义特征的提取.
结论:
- 与现有的方法相比,开发的CNN模型为水下鱼类图像提供了优越的细分性能.
- 为智能监测系统提供了坚实的基础,包括鱼体长度测量,体重估计和健康状况评估.
