一种结合YOLO和DeepSORT的新方法,通过视频在自然环境中检测和计数活鱼

科学领域:

• 水生生态学 水生生态学
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 有效监测活鱼种群对于可持续的水产资源管理至关重要.
• 传统的鱼类计数方法可能是劳动密集型的,可能无法准确地捕捉动态种群变化.
• 视频分析为观察鱼类行为和估计种群规模提供了一种非侵入性方法.

研究的目的:

• 开发和评估人工智能驱动的系统,用于在自然水生环境中自动检测和计数鱼类.
• 评估YOLOv10和DeepSORT算法在识别和跟踪各种水下视频中鱼类的性能.
• 探索人工智能的潜力,以提高渔业资源管理的鱼群统计的准确性和效率.

主要方法:

• 利用AI算法,特别是YOLOv10用于鱼类识别和DeepSORT用于实时跟踪.
• 在各种水生息地 (如珊瑚礁,海草草地) 录制的13个视频中处理了9002个.
• 在训练,验证和测试数据集时使用 8:1:1 的比例训练了 AI 模型.

主要成果:

• 人工智能模型在检测和计数鱼类方面取得了89.5%的整体准确性.
• 经过证明的高效处理时间:每张图像6.2ms (预处理),387.0ms (推理) 和0.9ms (后处理).
• 结合的YOLOv10和DeepSORT方法在复杂的水生环境中有效地跟踪鱼类.

结论:

• 整合YOLOv10和DeepSORT为水生环境中的自动化鱼类监测提供了强大而准确的解决方案.
• 这种由人工智能驱动的系统显示了提高鱼群评估可靠性和可扩展性的巨大潜力.
• 这些发现支持人工智能在推进可持续渔业管理和保护工作中的应用.