通过轻量级的两级网络和和实验来识别鱼类的养行为

科学领域:

• 水产养殖是水产养殖的一种方式.
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 工业水产养殖需要高效和具有成本效益的养策略.
• 计算机视觉为监测鱼类提供了一种非侵入性的方法,但目前的方法缺乏定量数据和效率.
• 现有的模型与冗余的图像数据和高计算复杂性作斗争,限制实时应用.

研究的目的:

• 开发一种定量方法来评估鱼类的养行为和足度.
• 为智能鱼养系统设计一个高效的计算机视觉模型.
• 解决当前模型的局限性,包括定性输出,数据冗余和复杂性.

主要方法:

• 通过和实验量化鱼类的养行为,以产生定量标签.
• 一个采用姿势检测和图形卷积网络 (GCN) 的双阶段识别网络,以建模鱼的姿势和分布.
• 开发轻量级的RepSELAN和SPPSF模块,以减少模型的复杂性.

主要成果:

• 在腹分类中获得了98.1%的准确性.
• 模型参数减少了31.4%,计算负载减少了26.2%.
• 保持高性能,mAP的最小下降 (B) 和mAP的增加 (P).

结论:

• 拟议的方法为智能鱼类养策略提供了一个新且高效的基础.
• 量化方法和优化模型在准确性和效率方面明显优于传统方法.
• 这一进步有助于降低成本,提高工业水产养殖中的鱼类福利.