相关实验视频
Updated: May 14, 2026
10:56
Long-term Behavioral Tracking of Freely Swimming Weakly Electric Fish
Published on: March 6, 2014
12.5K
基于深度学习的鱼类检测使用水面红外摄像头用于深海水产养殖:一项比较研究
Gen Li1,2,3,4, Zidan Yao5, Yu Hu1,2,3,4
1South China Sea Fisheries Research Institute, Chinese Academy of Fishery Sciences, Guangzhou 510300, China.
Sensors (Basel, Switzerland)
|April 27, 2024
概括
使用深度学习的自动鱼类检测可以增强深海水产养殖. 更快的R-CNN与EfficientNetB0和FPN一起,在海洋环境中提供高效,准确的鱼类监测.
科学领域:
- 海洋生物学 海洋生物学
- 计算机视觉 计算机视觉
- 水产养殖技术 水产养殖技术
背景情况:
- 深海水产养殖需要可靠的鱼类监测,以确保安全和效率.
- 自动化鱼类检测系统对于海洋环境的长期数据收集至关重要.
研究的目的:
- 评估深度学习模型,用于在深海水产养殖中自动检测鱼类.
- 在Faster R-CNN框架内比较不同骨干网络和改进模块的性能.
- 调查学习率的影响,特征提取层和数据增强对检测准确性的影响.
主要方法:
- 在深海网上使用红外摄像机收集鱼的图像.
- 为训练和测试物体检测模型,创建了一个标记鱼类数据集.
- 更快的R-CNN被采用为基本的对象检测框架,其中包括骨干网络 (例如,EfficientNetB0,VGG16) 和特征金字塔网络 (FPN) 模块的变化.
- 实验包括不同的学习率,特征提取层和数据增强策略.
主要成果:
- 更快的R-CNN与EfficientNetB0骨干和FPN模块实现了具有竞争力的AP500.85,检测时间显著缩短.
- 使用所有改进模块和数据增强的VGG16获得了0.86的最高AP50.
- 该研究证实了深度学习在水产养殖环境中用于鱼类检测的有效性.
结论:
- 基于深度学习的对象检测方法对于深海水产养殖中的自动化鱼类监测是有效的.
- 带有FPN的EfficientNetB0骨干为鱼类检测提供了速度和准确性之间强大的平衡.
- 进一步的网络改进和数据增强策略可以提高检测性能.
更多相关视频
09:32Development of New Methods for Quantifying Fish Density Using Underwater Stereo-video Tools
Published on: November 20, 2017
9.2K
05:57Long-term Video Tracking of Cohoused Aquatic Animals: A Case Study of the Daily Locomotor Activity of the Norway Lobster Nephrops norvegicus
Published on: April 8, 2019
6.8K
