提高水生环境中的生态感应:使用YOLOv5进行鱼跳动行为的自动识别
Kaibang Xiao1, Ronghui Li1, Senhai Lin1
1College of Civil Engineering and Architecture, Guangxi University, Nanning 530004, PR China; Key Laboratory of Disaster Prevention and Structural Safety of the Ministry of Education, College of Civil Engineering and Architecture, Guangxi University, Nanning 530004, PR China.
Aquatic toxicology (Amsterdam, Netherlands)
|November 9, 2024
概括
这项研究使用YOLOv5引入了一种新的鱼跳跃行为 (FJB) 识别模型,达到97%以上的准确性. 改进的模型可靠地检测水面上的鱼类活动,有助于水生生态和水产养殖评估.
科学领域:
- 水生生态学 水生生态学
- 行为鱼类学 行为鱼类学
- 计算机视觉在环境监测中的应用
背景情况:
- 传统的鱼类行为研究受到水下观测挑战的限制.
- 水上观测为鱼类生理学和息地提供了更清晰的视角.
研究的目的:
- 开发和验证一种鱼跳跃行为 (FJB) 识别模型.
- 改善水生生态系统中的鱼类行为监测.
- 为智能水生生态评估奠定基础.
主要方法:
- 利用YOLOv5卷积神经网络进行目标检测.
- 在877张从水库数据中跳跃的鱼的图像上训练并验证了一个模型.
- 开发了一个增强的YOLOv5-SN模型,包含波纹变化和持续规则.
- 在各种天气条件 (雨,阴,阳光) 中测试了模型的坚固性.
主要成果:
- 与YOLOv7,YOLOv8和YOLOv9.9相比,YOLOv5显示出更好的喷检测能力.
- 在50个时代后的验证集上,F1得分>0.9的精度和回忆达到了>97%.
- 增强的YOLOv5-SN模型有效地减轻了噪音干扰.
- 该模型在不同气象条件下检测鱼类跳跃行为的稳定性.
结论:
- 基于YOLOv5的模型提供了一种准确而强大的方法来识别水上鱼类的行为.
- 开发的系统可以显著提升水生生态和水产养殖的智能感知.
- 识别鱼类的跳跃行为为鱼类生理学和息地条件提供了洞察力.
