一个双分段框架,用于对的自动检测和大小估计
Malik Muhammad Waqar1,2, Hassan Ali1,2, Heng Zhou1,2
1Division of Electronics and Information Engineering, Jeonbuk National University, Jeonju 54896, Republic of Korea.
Sensors (Basel, Switzerland)
|September 27, 2025
概括
精确测量的大小对于水产养殖至关重要. 这项研究引入了一种新的双分段深度学习框架,可以精确估计的大小,优于传统和现有的计算机视觉方法,用于改进养殖管理.
科学领域:
- 水产养殖技术 水产养殖技术
- 计算机视觉在农业中的应用
- 对生物测量进行深度学习.
背景情况:
- 准确的大小估计对于水产养殖中的健康和生长评估至关重要.
- 传统的手工方法是劳动密集型的,而现有的计算机视觉技术缺乏精度.
- 的身体特征,如曲的姿势和背景混合,复杂的尺寸测量.
研究的目的:
- 开发一个准确和高效的深度学习框架,用于大小估计.
- 克服水产养殖中手动和传统计算机视觉方法的局限性.
- 为了实现精确的尺寸测量,用于大规模的养殖监测.
主要方法:
- 提出了一个双分段深度学习框架,集成实例和语义分段.
- 使用RTMDet-m模型进行初始实例细分.
- 开发了一种定制的语义细分模型,用于准确的中心线预测.
主要成果:
- 该RTMDet-m模型实现了96%的平均精度 (AP50) 与每秒高 (FPS).
- 定制细分模型实现了最高的FPS和88.3%的F1得分.
- 双分段框架显示出卓越的准确性,平均绝对误差为1.02厘米,根平均平方误差为1.27厘米.
结论:
- 拟议的双分段深度学习框架显著提高了大小估计的准确性.
- 这种方法为传统和现有的计算机视觉技术提供了更有效和更精确的替代方案.
- 该框架有可能通过精确的大规模监测来加强养殖管理.
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
7.2K
08:56Automatic Image Processing to Determine the Community Size Structure of Riverine Macroinvertebrates
Published on: January 13, 2023
2.8K
