相关实验视频
Updated: Sep 18, 2025

Long-term Behavioral Tracking of Freely Swimming Weakly Electric Fish
Published on: March 6, 2014
YOLOv8n-DDSW:一个高效的鱼类目标检测网络,用于密集的水下场景
Jinwang Yi1, Wei Han1, Fangfei Lai1
1School of Opto-Electronic and Communication Engineering, Xiamen University of Technology, Xiamen, Fujian, China.
一个新的YOLOv8n-DDSW算法通过可变形卷曲和注意力机制改善了水产养殖中的鱼类目标检测. 这提高了复杂环境中的准确性,支持现代渔业的发展.
科学领域:
- 水产养殖技术 水产养殖技术
- 计算机视觉 计算机视觉 计算机视觉
- 人工智能的人工智能是人工智能.
背景情况:
- 传统的水产养殖监测依赖于手动采样,这是劳动密集型和低效的.
- 现有的鱼类检测算法在复杂的水下环境中因阻塞和变形而扎.
研究的目的:
- 为复杂的密集水产养殖场景开发先进的鱼类目标检测算法.
- 为了应对水下监测中鱼类遮,变形和细节丢失等挑战.
主要方法:
- 拟议的YOLOv8n-DDSW算法集成C2f可变形卷积网络 (DCN) 和双聚合挤压激发 (DPSE) 注意.
- 集成的小物体检测和智能交叉对联盟 (IOU) 损失的功能.
- 在Kaggle数据集上训练并验证了算法.
主要成果:
- 与原来的YOLOv8n相比,改进的YOLOv8n-DDSW算法显示出显著的收益:mAP50增加了3.9%,精度增加了3.7%,回忆增加了6.1%,mAP50-95增加了7.7%.
- 证明了对不规则和封闭的鱼类目标的更高的检测准确性.
- 在感知小目标和界限框回归方面提高了性能.
结论:
- YOLOv8n-DDSW算法有效地解决了密集水产养殖中低检测精度的问题.
- 这项技术通过改进监测,支持渔业的智能化和现代化发展.
- 这些发现强调了人工智能在优化水产养殖业务方面的潜力.
更多相关视频
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
03:31Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
Published on: December 15, 2023
相关概念视频
Uniform Depth Channel Flow: Problem Solving
Uniform Depth Channel Flow
Difference from Background: Limit of Detection
The LOD indicates the presence or absence...
Buoyancy and Stability for Submerged and Floating Bodies