边部署的鱼类养状态量化和识别通过框架对运动编码和高效养网

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
• 动物行为分析 动物行为分析

背景情况:

• 精确的养状态监测对于有效的水产养殖管理,减少浪费和确保鱼类福利至关重要.
• 目前基于视觉的方法由于主观标记和高计算成本而面临限制,这阻碍了实际应用.

研究的目的:

• 开发一个客观的,边缘部署的框架,用于实时量化和识别水产养殖中的养状态.
• 通过自动化运动分析,实现及时,数据驱动的养决策.

主要方法:

• 将对密集光流编码与轻量级神经网络 (EfficientFeedingNet) 的集成.
• 使用光学流量衍生的运动强度信号 (V-Value) 来自动划分食间隔.
• 使用可复制标签构建基于感知数据集 (感知数据集).

主要成果:

• 在感知数据集上训练的模型实现了超过90%的测试准确性,超过了在观察者标记数据上训练的模型.
• 在边缘硬件 (Jetson Orin NX) 上,EfficientFeedingNet 实现了 96.53% 的测试准确率,并以 143.24 fps 运行.
• 该框架展示了实时,运动驱动的养状态量化的实际基础.

结论:

• 拟议的框架为水产养殖中客观,实时的养状态监测提供了一个实际的解决方案.
• EfficientFeedingNet的轻量级设计使边缘部署更容易,支持精确的水产养殖实践.
• 这项技术可以显著改善料管理,减少料浪费,提高鱼类福利.