基于 YOLOv4的水下海参检测与计数算法

doi:10.13733/j.jcam.issn.2095-5553.2024.09.039

摘要/Abstract

摘要：

针对智慧水产养殖中海参自动采捕和高效计量应用需求，提出一种基于 YOLOv4的水下海参检测与计数算法。该算法利用暗通道先验算法对数据集进行预处理，增强图像数据的可检测性；采用迁移学习方法训练 YOLOv4网络，并用 Swish函数替换骨干网络中的激活函数，提升自建数据集的海参检测性能；提出基于相近帧目标质心定位偏移的降重计数方法，优化目标计数结果。试验结果表明：该检测算法识别水下海参目标的平均检测精度的平均值 mAP达 91. 0%，分别比原始 YOLOv4、YOLOv3、Faster R-CNN和 SDD高 4. 5%、6. 9%、5. 0%、29. 9%；降重计数算法获得海参数量与人工计数结果间的均方根误差 RMSE为 29. 8、平均计数精度 ACP为 95. 8%、决定系数 R2为 0. 998。

关键词: 海参, 暗通道先验, YOLOv4, 迁移学习, 降重计数

Abstract:

In order to meet the requirements of automatic harvesting and high.efficiency measurement of sea cucumbers in intelligent aquaculture，a recognition and counting algorithm of underwater sea cucumbers based on YOLOv4 is proposed in this paper. The algorithm preprocesses the data set by using dark channel prior defogging algorithm to enhance the detectability of image data，YOLOv4 Network is trained with the transfer learning method，and Swish function is used to replace the activation function in the backbone network to improve the detection performance of the self-built data set，a method based on the target centroid positioning offsets of adjacent frames is proposed to optimize target counting result. The experimental results show that the mAP of sea cucumber targets recognized by the algorithm of this paper reaches 91. 0%， which is 4. 5%、6. 9%、5. 0% and 29. 9% higher than that recognized by original YOLOv4，YOLOv3，Faster R-CNN，and SDD，respectively. The RMSE between the number of sea cucumbers obtained by reducing repeated counts and the manual counting result is 29. 8. The average counting precision（ACP）is 95. 8% and the coefficient of determination（R2）is 0. 998.

Key words: sea cucumber, dark channel prior, YOLOv4, transfer learning, reducing repeated counts

中图分类号:

宋小鹿 , 冯娟 , 梁翔宇 , 周玺兴 . 基于 YOLOv4的水下海参检测与计数算法[J]. 中国农机化学报, 2024, 45(9): 258-264.

Song Xiaolu, Feng Juan, Liang Xiangyu, Zhou Xixing. Recognition and counting algorithm of underwater sea cucumbers based on YOLOv4 network [J]. Journal of Chinese Agricultural Mechanization, 2024, 45(9): 258-264.

参考文献

［ 1］Fang Y C，Zhang H，Chen X. Resources and biological characteristics of sea cucumber［J］. Beijing Aquatic Products，2017，2（5）：25-27.

［ 2］胡荣炊，蔡珠金，周宸，等 .福建海参产业发展形势分析［ J］.中国水产， 2019，5（1）： 57-59.

Hu Rongcui，Cai Zhujin，Zhou Chen，et al. Analysis on sea cucumber industry development situation of Fujian Province［J］. China Fisheries，2019，5（1）：57-59.

［ 3］Lu K，Liu H，Bao L. Prediction and development of sea cucumber production in Shandong Province during the 13th five years plan［J］. Ocean Development and Management， 2018，7（1）：94-100.

［ 4］Christensen J，Mogensen L，Galeazzi R，et al. Detection， localization and classification of fish and fish species in poor conditions using convolutional neural networks［J］. Autonomous Underwater Vehicle Workshop，2018，3（2）： 1-6.

［ 5］Cui S，Duan Z，Li G，et al. Research on sea cucumber image recognition based on Sobel improved operator［J］. Computer Knowledge and Technology： Academic Exchange，2018，14（22）：145-146.

［ 6］Huang Y，Zhou H，Yang X，et al. Faster R-CNN for marine organisms detection and recognition using data augmentation［J］. Neurocomputing， 2019， 337（3）： 372-384.

［ 7］赵德安，刘晓洋，孙月平，等 .基于机器视觉的水下河蟹识别方法［ J］.农业机械学报， 2019，50（3）：151-158.

Zhao De′an，Liu Xiaoyang，Sun Yueping，et al. Detection of underwater crabs based on machine vision［J］. Transactions of the Chinese Society for Agricultural Machinery，2019，50（3）：151-158.

［ 8］Zhao Z，Liu Y，Sun X，et al. Composited FishNet：Fish detection and species recognition from low.quality underwater videos［J］. IEEE Signal Processing Society， 2021，5（30）：4719-4734.

［ 9］Tan S，Ma X，Mai Z，Mai Z，et al. Segmentation and counting algorithm for touching hybrid rice grains［J］. Computers and Electronics in Agriculture， 2019， 162（46）：493-504.

［10］Cen G， Hua J， Pan Y， et al. Research on online recognition and counting method for mango images with deep learning［J］. Journal of Tropical Crops，2020，41（3）：425-432.

［11］Deng R，Tao M，Huang X，et al. Automated counting grains on the rice panicle based on deep learning method［J］. Sensors，2021，21（1）：281-289.

［12］Qiao X， Bao J， Zhang H， et al. An automatic active contour method for sea cucumber segmentation in natural underwater environments［J］. Computers and Electronics in Agriculture，2017，135（3）：134-142.

［13］赵凯 .基于深度学习的海参检测算法设计及系统实现［ D］.秦皇岛：燕山大学， 2020.

Zhao Kai. The algorithm design and system implement of sea cucumber detection based on deep leaning［D］. Qinhuangdao：Yanshan University，2020.

［14］禹志鹏，龙杜辉，刘康 .基于色彩模型的水下海参图像增强方法研究［J］.农业装备与车辆工程， 2022，60（1）：111-115.

Yu Zhipeng， Long Duhui， Liu Kang. Research on underwater sea cucumber image enhancement method based on color model［J］. Agricultural Equipment & Vehicle Engineering，2022，60（1）：111-115.

［15］He K，Sun J，Tang X. Single image haze removal using dark channel prior［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2010， 33（12）： 2341-2353.

［16］Rui S，Fang G，Zhong X，et al. Improved multi.classes kiwifruit detection in orchard to avoid collisions during robotic picking［J］. Computers and Electronics in Agriculture，2021，182（1）：46-52.

［17］Lin T Y. Feature pyramid networks for object detection［J］. Journal of Visual Communication and Image Representation，2021，79（10）：936-944.

［18］李新叶，龙慎鹏，朱婧 .基于深度神经网络的少样本学习综述［ J］.计算机应用研究， 2020，37（8）：2241-2247. Li Xinye，Long Shenpeng，Zhu Jing. Survey of few.shot learning based on deep neural network［J］. Application Research of Computers，2020，37（8）：2241-2247.

［19］Misra D. Mish： A self regularized non.monotonic activation function［J］. Statistics，2019，14（54）：60-67.

［20］Le V Q，Ramachandran P，Zoph B. Swish：A Self.Gated activation function［J］. Lecture Notes in Computer Science，2021，126（9）：237-244.

［21］Rupshali D， Yuvraj S， Sarita N， et al. Performance comparison of benchmark activation function ReLU，Swish and Mish for facial mask detection using convolutional neural network［J］. Intelligent Systems，2021，23（10）.

[1]	赵爽, 俞永强, 苗玉彬, 刘可心 . 基于改进 Mask R-CNN的青菜杂质检测研究[J]. 中国农机化学报, 2024, 45(9): 77-82.
[2]	韩鹏飞, 宋其江, 贾梦实. 基于改进轻量化 EfficientNet-V2模型的小麦种子分类[J]. 中国农机化学报, 2024, 45(9): 111-117.
[3]	苏斐, 王光辉, 史艳霞, 贾然, 闫银发, 祖林禄, . 融合通道注意力机制的ResUnet作物病斑分割模型[J]. 中国农机化学报, 2024, 45(8): 228-233.
[4]	苑迎春, 张傲, 何振学, 张若晨, 雷浩. 基于改进YOLOv4-tiny的果园复杂环境下桃果实实时识别[J]. 中国农机化学报, 2024, 45(8): 254-261.
[5]	罗鑫, 李加强, 何超. 基于改进YOLOv4的澳洲坚果视觉监测方法[J]. 中国农机化学报, 2024, 45(5): 217-222.
[6]	郭宏杰, 马睿, 王佳, 赵威, 马德新. 基于卷积神经网络的苹果叶部病害图像识别研究[J]. 中国农机化学报, 2024, 45(5): 239-245.
[7]	白玉鹏, 冯毅琨, 李国厚, 赵明富, 周浩宇, 侯志松, . 基于Vision Transformer的小麦病害图像识别算法[J]. 中国农机化学报, 2024, 45(2): 267-274.
[8]	侯炳法, 李小敏, 牟向伟, 姚华平. 圣女果温室巡检机器人系统设计与试验[J]. 中国农机化学报, 2024, 45(1): 285-294.
[9]	汪健, 梁兴建, 雷刚. 基于深度残差网络与迁移学习的水稻病虫害图像识别[J]. 中国农机化学报, 2023, 44(9): 198-204.
[10]	吴潇, 杨颖, 刘刚, 张倩, 宁远霖. 基于迁移学习和改进ResNet34的猪个体识别方法[J]. 中国农机化学报, 2023, 44(9): 214-221.
[11]	余胜, 谢莉. 基于迁移学习和卷积视觉转换器的农作物病害识别研究[J]. 中国农机化学报, 2023, 44(8): 191-197.
[12]	李平, 马玉琨, 李艳翠, 冯继克, 赵明富. 基于迁移学习的小麦籽粒品种识别研究[J]. 中国农机化学报, 2023, 44(7): 220-228.
[13]	惠巧娟, 马伟, 边超. 融合强化注意力机制的农田杂草识别方法[J]. 中国农机化学报, 2023, 44(4): 195-201.
[14]	陈文, 余康, 李岩舟, 陈远玲, 胡珊珊, 乔曦. 基于网络瘦身算法的YOLOv4-tiny的甘蔗茎节识别[J]. 中国农机化学报, 2023, 44(2): 172-181.
[15]	刘姣娣, 何捷, 许洪振, 段玉龙, 沈漫林. 基于改进YOLOv4-Tiny的蔗芽识别方法[J]. 中国农机化学报, 2023, 44(11): 169-175.