基于深度学习的鱼类检测算法研究与应用.pdfVIP

摘要

建设一套智能化的鱼类监测系统对鱼类生态保护和种群分布分析等具有重要意义。而

在实际应用中，鱼类检测面临多重困难，如在大量鱼类同时出现的情况下，鱼类的外观差

异和背景的相似性可能导致漏检。此外，由于嵌入式边缘计算设备的计算能力和存储空间

有限，如何在保证模型的检测精度同时，对其进行轻量化也是一个挑战。针对以上问题，

本文提出了一种基于改进的YOLOv8算法的鱼类监测系统。具体研究内容如下：

1.鱼类检测数据集的构建：本文对某流域水电站的鱼道过鱼环境进行模拟，并使用高

分辨率相机对鱼类视频进行采集。通过使用自动化脚本将视频转化为图像后进行鱼类标

注，并利用几何变换等图像增强技术对实验数据集进行扩充。最终，构建了一个涵盖不同

光照、水质和鱼类活动状态下的水下裂腹鱼检测数据集。

2.鱼类检测模型的构建：受到水质浑浊、光线不足等因素影响，原始的YOLOv8模

型在水下环境中容易出现误检、漏检和检测精度低的问题，因此本文引入多尺度融合模块

和多任务共享模块。利用这两个模块的相互作用，将鱼类检测模型的准确率提升了2.7%，