[目的/意义]针对水面膨化饲料的图像在水产养殖水体中存在水体浑浊导致饲料与背景对比不明显、光照不均匀、鱼群抢食引起的水花导致饲料重叠粘连以及增氧设备产生的气泡遮挡饲料成像等问题,提出一种高效的水面膨化饲料图像检测YOLOv11-A...[目的/意义]针对水面膨化饲料的图像在水产养殖水体中存在水体浑浊导致饲料与背景对比不明显、光照不均匀、鱼群抢食引起的水花导致饲料重叠粘连以及增氧设备产生的气泡遮挡饲料成像等问题,提出一种高效的水面膨化饲料图像检测YOLOv11-AP2S模型,为水产集约化养殖模式下的智能投喂决策提供准确依据。[方法]在YOLOv11的骨干网络的第10层C2PSA后增加细粒度分类的注意力机制(Attention for Fine-Grained Categoriza⁃tion,AFGC),将C3k2模块替换为VoV-GSCSP模块,以及在YOLOv11的基础上增加P2层。为了保持模型的实时性,在P2层使用轻量级的VoV-GSCSP模块进行特征融合。在不降低检测速度和不损失模型轻量化程度的情况下提高检测精度,提出YOLOv11-AP2S水面膨化饲料实时检测模型。[结果与讨论]实验结果显示,YOLOv11-AP2S模型在识别精确度、召回率上均达到了78.70%,IoU阈值为0.5时的平均精度值(mAP50)高达80.00%,F1分数也达到了79.00%。与原YOLOv11网络相比,这些指标分别提高了提高6.7个百分点、9.0个百分点、9.4个百分点和8.0个百分点。与其他YOLO模型相比,YOLOv11-AP2S模型在自制数据集上的检测结果也具有明显优势,且在同等迭代次数下具有更高的平均精度均值和更低的损失。[结论]YOLOv11-AP2S模型能够通过摄像头对水面膨化饲料颗粒的剩余情况进行实时检测,进而实现对鱼群摄食行为的准确观测与分析,为智慧渔业精准投喂的研究和应用提供有力支持。展开更多
文摘[目的/意义]针对水面膨化饲料的图像在水产养殖水体中存在水体浑浊导致饲料与背景对比不明显、光照不均匀、鱼群抢食引起的水花导致饲料重叠粘连以及增氧设备产生的气泡遮挡饲料成像等问题,提出一种高效的水面膨化饲料图像检测YOLOv11-AP2S模型,为水产集约化养殖模式下的智能投喂决策提供准确依据。[方法]在YOLOv11的骨干网络的第10层C2PSA后增加细粒度分类的注意力机制(Attention for Fine-Grained Categoriza⁃tion,AFGC),将C3k2模块替换为VoV-GSCSP模块,以及在YOLOv11的基础上增加P2层。为了保持模型的实时性,在P2层使用轻量级的VoV-GSCSP模块进行特征融合。在不降低检测速度和不损失模型轻量化程度的情况下提高检测精度,提出YOLOv11-AP2S水面膨化饲料实时检测模型。[结果与讨论]实验结果显示,YOLOv11-AP2S模型在识别精确度、召回率上均达到了78.70%,IoU阈值为0.5时的平均精度值(mAP50)高达80.00%,F1分数也达到了79.00%。与原YOLOv11网络相比,这些指标分别提高了提高6.7个百分点、9.0个百分点、9.4个百分点和8.0个百分点。与其他YOLO模型相比,YOLOv11-AP2S模型在自制数据集上的检测结果也具有明显优势,且在同等迭代次数下具有更高的平均精度均值和更低的损失。[结论]YOLOv11-AP2S模型能够通过摄像头对水面膨化饲料颗粒的剩余情况进行实时检测,进而实现对鱼群摄食行为的准确观测与分析,为智慧渔业精准投喂的研究和应用提供有力支持。
