首页 > 论文范文 > 农业科技论文 > 水产和渔业论文 > 水产养殖技术论文 > 基于仿生机器鱼的水下鱼群识别系统

基于仿生机器鱼的水下鱼群识别系统

2025-05-05 43 上传者：管理员

摘要：【目的】满足水产养殖规模不断扩大对水产养殖监测系统提出的更高需求，提高水下鱼群识别的精确性和实时性。【方法】设计一款基于仿生机器鱼的水下鱼群识别系统，该系统采用树莓派微型电脑板作为控制单元，通过仿生机器鱼在水下自主巡航并实时采集图像，利用生成对抗网络(GAN)技术对采集的原始图像进行预处理，结合改进的YOLOv5模型实现对水下鱼群的识别，并将处理后的图像数据通过无线网络传输到服务器端进行储存和分析。【结果】选取YOLOv5s、YOLOv5m和YOLOv5-Lite三种神经网络模型进行训练，发现YOLOv5-Lite模型在精确率(98.7%)、平均精度(99.0%)以及检测速率(65 fps)方面表现优异，被选为本研究中的最佳模型。【结论】该系统有效提升了水产养殖监测的效率和数据的准确性，并且实现了对水下鱼群的高效识别与实时监控，为未来的水下生态环境监测和智能化水产养殖提供了有力的技术支持。

关键词：
YOLOv5
仿生机器鱼
水下鱼群识别
水产养殖
生成对抗网络(GAN)
加入收藏

随着人们生活水平的提高,水产品需求量逐年递增｡在渔业发展过程中,传统的水产养殖管理方法多为粗放型,主要依靠人工观察和养殖户的经验来管理鱼塘｡这种方法不仅耗费大量时间和精力,而且由于过于依赖个人主观判断,难以实现精确､稳定和连续的记录,容易出现误判｡此外,人工观察和经验判断难以及时响应水质变化,也无法实时获取水下鱼群的健康状况,从而可能因调控不及时而造成严重的财产损失[1]｡

鱼类凭借其独特的身体构造,能够在深海中自由遨游,消耗的能量低,且几乎不发出任何噪声,这使得它们成为水下作业机器人的理想原型｡仿生机器鱼作为一种新型水下机器人,具有能源利用率高､速度快､机动性强､噪声低､对环境扰动小等优势,能够适应复杂环境并高效完成任务[2]｡因此,仿生机器鱼得到了广泛的研究与开发｡

本研究设计了一个基于仿生机器鱼的水下鱼群识别系统,仿生鱼在水下通过自主巡航采集图像数据,基于灵活的运动能力和较强的隐蔽性,在外形和运动方式上模仿真实鱼类,不易引起鱼群警觉,从而获得更加真实自然的鱼群数据｡之后利用深度学习算法进行处理和分析,实现区域鱼群的水下智能识别,提高水产养殖监测效率和数据的实时性和真实性｡

1、系统整体架构设计

水下鱼群识别系统主要由图像采集模块､图像预处理模块､图像检测模块､图像储存模块四大模块构成｡该系统以仿生机器鱼在水下监测时采集的水下图像为检测对象,将图像传入仿生鱼的识别系统进行预处理,实现自动检测水下图像中的鱼类目标,并将结果远程传输至仿生鱼的陆上平台端进行储存,系统整体架构如图1所示｡

图1系统整体架构

1.1图像采集模块

该模块主要是通过仿生机器鱼配备的高分辨率水下摄像头进行实时视频传输,在鱼群活动区域,当仿生机器鱼在水下巡航时,摄像头持续录制周围环境的视频,随后系统提取视频的每一帧图像作为图像数据进行读取｡在设计水下目标检测系统时,选择OpenCV获取当前图像的视频流,通过cv2.VideoCapture()函数打开视频流,传入参数为视频流来源｡使用while循环持续获取视频流中的每一帧图像,直到获取失败或手动中断[3]｡

1.2图像预处理模块

该模块是通过对摄像头采集到的水下原始图像进行多层次､多维度的处理,以提升图像质量并最大限度地减少噪声干扰｡主控采用树莓派4B微型电脑板对图像进行预处理,即对提取图像进行水下图像增强处理｡水下图像增强处理通过降噪､对比度增强和色彩校正等技术,提升图像的清晰度和可辨识度,为后续的图像目标检测奠定基础｡

1.3图像检测模块

该模块是系统的核心部分,负责基于预处理后的图像进行高精度的鱼群识别与定位｡系统基于改进的YOLOv5轻量化目标检测模型[4],首先利用预处理后的图像进行实时鱼群检测,通过高效的特征提取网络和优化的检测算法,将输入图像划分为多个网格,每个网格直接预测多个边界框和类别概率,从而实现对鱼群的精确定位和识别,确保系统在复杂水下环境中的高效性和准确性｡

1.4图像储存模块

图像储存模块以树莓派4B作为主控板,利用zlib库[5]进行数据压缩､OpenSSL库[6]进行AES加密､USB无线网卡进行Wi-Fi传输｡在服务器端,使用MySQL数据库[7]存储数据,通过Flask框架[8]开发的Web应用提供直观的用户界面,用户可以实时查看鱼群检测结果,并进行历史数据分析和下载,这为提升水下鱼群生态环境监测效率提供了有力支持｡

2、软件系统设计

水下鱼群识别系统的软件部分主要包括水下鱼群图像预处理和水下鱼群目标识别储存两个部分｡

1)水下鱼群图像预处理部分负责对仿生鱼摄像头采集到的原始图像进行预处理,通过图像增强等预处理手段,优化在少量光线的水下环境中的图像质量,最大程度地减少数据集的环境干扰,从而为后续的鱼群识别提供较高质量的图像输入｡

2)水下鱼群目标识别储存部分负责利用改进的YOLOv5轻量化目标检测模型[9]对预处理后的图像进行鱼群目标识别,通过标注数据集标签､电脑端调用GPU训练､转化ONNX格式模型导入树莓派4B,实现对水下鱼群的定位和识别｡

2.1鱼群图像预处理系统设计

鱼群图像预处理系统主要运用了深度学习算法中基于生成对抗网络(GAN)的水下图像增强算法｡该系统首先接收来自仿生机器鱼高分辨率摄像头所捕获的水下图像,但由于水下环境的特殊性,例如光线衰减､颗粒悬浮和光照不均等因素,采集到的原始图像往往存在明显的模糊､噪声和光照问题,这些都会对后续的图像分析和鱼群检测产生不利影响｡

其次,利用水下图像增强算法进行图像增强,GAN模型包括生成器和鉴别器两个主要组成部分｡生成器的目标是让鉴别器网络将自己生成的样本鉴别为真实样本,通过深度卷积神经网络(CNN)学习图像的隐含特征,从而提高图像的清晰度､对比度并保留细节｡鉴别器则负责评估生成图像的真实性,区分真实图像与生成图像,通过反馈信号指导生成器不断优化生成过程[10]｡

最后,通过对抗训练的迭代过程,GAN模型能够有效地增强水下鱼群图像,提高图像的清晰度､对比度,并保留重要的细节信息｡该图像预处理系统不仅改善了图像质量,并且为后续的水下鱼群检测提供了高质量的图像数据支持｡

2.2鱼群目标识别系统设计

针对水下鱼群的目标识别系统设计,主要采用了轻量化的目标检测算法——YOLOv5(YouOnlyLookOnceversion5)算法｡首先,YOLOv5是一种单阶段目标检测算法,利用卷积神经网络(CNN)将输入图像划分为多个网格进行特征提取和分类,直接预测目标的边界框和类别概率,能够快速处理大量水下图像数据,满足仿生机器鱼对实时监测的需求｡其次,优化的深度学习模型在复杂的水下环境中表现出色,能够有效应对光照变化和背景干扰,确保高准确度的目标检测｡最后,YOLOv5的轻量化设计使其在计算资源受限的嵌入式系统中可以实现高效运行,与本文探讨的仿生机器鱼搭载的树莓派4B相契合｡树莓派4B是一个资源有限的计算平台,而该模型能在树莓派4B上实现快速的实时水下鱼群检测｡

3、系统功能实现

基于仿生机器鱼的水下鱼群识别系统运行流程如图2所示｡

图2水下鱼群识别系统运行流程

1)仿生机器鱼开启摄像头,进行图像采集与读取｡

2)对所采集的原始图像进行预处理,系统先判断该图像是否符合进一步处理的标准｡若原始图像可用但质量较差,则应用基于生成对抗网络(GAN)的水下图像增强算法进行优化,以减少光线衰减和噪声干扰,最后得到优化后的适合进行目标检测的图像｡

3)将第二步得到的优化后的图像导入树莓派,由树莓派上训练的YOLOv5轻量化模型对图像进行水下鱼群目标识别｡

4)利用YOLOv5目标检测模型进行图像融合､特征提取,并根据特征数据对其进行目标分类,进而实现仿生机器鱼对于水下鱼群的识别｡

5)储存各关键步骤的结果｡

6)识别完成,退出系统｡

基于仿生机器鱼的水下鱼群识别系统功能健全,有效地整合了图像采集､预处理､识别､检测模块,形成了一套完整的自动化鱼群检测流程,提升了水下鱼群监测的效率和准确性｡同时,该系统可以显示水下图像处理的各个关键步骤的结果,便于用户测试与定位系统所需优化的问题,对系统进行进一步的改进与完善[11]｡

4、实验及结果分析

为了验证该水下鱼群识别系统的有效性与可行性,模拟仿生机器鱼在水下采集的原始图像,导入该系统进行实验｡实验采用的数据集由从百度飞桨深度学习平台获取的与仿生机器鱼工作环境相似的水下鱼群图片组成,实验环境为仿生机器鱼所搭载的树莓派4B微型电脑板｡

本实验选取YOLOv5s､YOLOv5m和YOLOv5-Lite三种神经网络模型进行训练,将300幅测试图像输入训练好的网络进行鱼类目标的位置回归[12]｡同时,选择精确率(Precision)､召回率(Recall)､平均精度(AveragePrecision)､检测速率(DetectionSpeed)作为评价准则｡

三种神经网络模型在水下的鱼群识别性能实验结果如表1所示｡

表1水下鱼群识别性能实验结果

由表1可得,YOLOv5m模型的精确率和召回率分别为95.3%和94.8%,平均精度为98.3%,检测速率为58fps,虽表现出较高的精确率,但在检测速率和平均精度上不如YOLOv5s和YOLOv5-Lite｡YOLOv5-Lite模型在所有指标中综合表现最为突出,其精确率为98.7%,召回率为93.1%,平均精度达到99.0%｡虽然其检测速率为65fps,低于YOLOv5s的70fps,但其在精确率和平均精度上的显著优势,表明其在高精度目标检测任务中的表现更为优异｡

使用YOLOv5s､YOLOv5m和YOLOv5-Lite进行水下图像测试,典型结果对比如图3､图4､图5所示｡

实验结果表明,YOLOv5-Lite模型在精确率(98.7%)､平均精度(99.0%)以及检测速率(65fps)方面表现优异,尽管其检测速率略低于YOLOv5s,但轻量化设计使其在资源有限的嵌入式系统中表现出色｡因此,YOLOv5-Lite被选为本研究中的最佳模型,能够实现高效的水下鱼群实时检测和识别｡

图3YOLOv5s水下图像测试

图4YOLOv5m水下图像测试

图5YOLOv5-Lite水下图像测试

5、结语

本研究设计并实现了基于仿生机器鱼的水下鱼群识别系统,展示了其在水下环境中的有效性与优越性｡通过仿生机器鱼进行图像采集和预处理,利用生成对抗网络(GAN)优化水下图像质量,为后续的目标检测奠定了坚实基础｡系统采用了改进的YOLOv5轻量化模型进行鱼群目标识别,经过实验验证,YOLOv5-Lite模型在精确率(98.7%)､平均精度(99.0%)等指标上表现最为优异,尽管其检测速率略低于YOLOv5s,但其轻量化设计和高精度使其成为资源受限环境中的最佳选择｡实验结果证明了该系统在提高水产养殖监测效率､确保数据实时性和准确性方面的显著优势,为未来水下生态环境监测和智能化水产养殖提供了有力的技术支持｡

参考文献:

[1]关辉,许璐蕾.基于机器视觉的智能鱼群健康状况监测系统[J].物联网技术,2019,(910):13-14+17.

[2]吴晓艳,马雪婷,顾志鹏,等.仿生机械鱼结构设计与仿真分析[J].机械工程师,2023(11):69-71.

[3]陈谦.基于深度学习的水下目标检测方法研究[D].北京:北京石油化工学院,2023.

[4]杨锦辉,李鸿,杜芸彦,等.基于改进YOLOv5s的轻量化目标检测算法[J].电光与控制,2023,30(2):24-30.

[5]陈思伟.面向健康智能家居的数据压缩与加密技术研究[D].合肥:安徽建筑大学,2020.

[6]魏来,陈睿,张帆,等.支持国产密码算法的OpenSSL设计实现及应用[J].中国新通信,2019,21(7):104-105.

[7]戴靓婕.MySQL数据库在自动测试系统中的应用研究[J].长江信息通信,2022,35(3):162-164.

[8]牛作东,李捍东.基于Python与flask工具搭建可高效开发的实用型MVC框架[J].计算机应用与软件,2019,36(7):21-25.

[9]安平,王亭亭,赵渊,等.基于深度学习的AUV水下视觉导引检测方法[J].水下无人系统学报,2023,31(3):421-429.

[10]王新怡.基于GAN的水下图像处理系统研究与实现[D].大连:大连海洋大学,2024.

[11]乔曦.基于水下机器视觉的海参实时识别研究[D].北京:中国农业大学,2017.