首页 > 分享 > 一种基于YOLO

一种基于YOLO

萌宠菠菠乐园
2024-12-09 19:12

一种基于YOLO-v5的鱼病实时检测系统

本发明属于渔业养殖，涉及一种基于yolo-v5的鱼病实时检测系统。

背景技术：

1、我国是世界第一大淡水产品的生产国和消费国。伴随国家环保政策的收紧和“十年禁补计划”的出台，集约化养殖模式正在快速替代传统粗狂的河湖水网养殖。在集约化养殖模式下高密度放养、频繁投饲，不可避免会面临病毒、细菌、真菌的过量繁殖及氮、磷等积累问题，特别是氨氮、亚硝态氮浓度提升使养殖的鱼类更容易感染各类疾病。各类鱼病的中，细菌病作为主要的病害之一，对渔业的生产具有危害大、范围广、流行时间长等特点。例如链球菌、诺卡氏菌等会造成鱼类眼部充血发炎、鱼体溃烂等。目前鱼类疾病检测主要依靠人工，光由空气进入水体会发生折射，人眼很难监测鱼群的健康状况，未能及时给药或调整养殖方案，错过最佳治疗期，产生的巨额经济损失是集约化水产养殖的技术瓶颈。因此，建立一套快速的实时鱼病检测系统，对于鱼类的养殖具有十分重要的现实意义。

2、以鱼病为研究对象，在集约化养殖的鱼池中的观测鱼类，提取鱼病的相关图像信息。通过借助放置于养殖池的高清摄像机，实时抓拍鱼类的生物特征，结合yolo神经网络和嵌入式物联网技术在线检测，研究出一个基于鱼的生理性状图像信息的便携式鱼病实时检测系统，对鱼病的严重程度划分，实现鱼病可视化显示，并上传至云端进行大数据综合分析。为实现集约化养殖的无人管理、精准施治、提供理论依据。

技术实现思路

1、本发明的目的是针对现有的技术存在的上述问题，提供一种基于yolo-v5的鱼病实时检测系统，本发明所要解决的技术问题是如何实现鱼病的实时监测。

2、本发明的目的可通过下列技术方案来实现：一种基于yolo-v5的鱼病实时检测系统，其特征在于，包括感知层、网络层和应用层，感知层为一鱼病监测仪，鱼病监测仪包括处理器、gpu、高清摄像头，网络层包括gps/bd双模定位模块、4g通讯模块，应用层包括显示模块；

3、通过置于水下的高清摄像头实时采集水下鱼类图像信息，对鱼类图像信息预处理后，利用内嵌至鱼病监测仪内的改进的yolov5的mali-t864处理水下图像信息并识别鱼病，对有鱼病的图像进行特征提取和分级；再通过gps/bd双模定位模块识别获取图形信息对应的位置信息；最后通过4g通讯模块将检测到的鱼病图像和鱼病等级信息传送至显示模块。

4、为系统使用者数据支持，方便对鱼病趋势进行预测，更方便对圈养鱼鱼病的发生进行整体的管控和预防。

5、进一步的，鱼病识别分三步完成，对图片进行缩放处理(resize)、经过卷积网络(runconvolutionnetwork)、非极大抑制(non-maxsuppression)，识别后输出检测结果。

6、其核心思想是将特征图划分为sxs的格子(gridcells)，得到边界框加置信度得分(boundingboxesandcofidence)，以及类别概率图(classprobabilitymap)，最后结合这两者得到最终的检测结果(finaldetections)。对比yolo3/yolo4而言yolo5的backbone部分在yolov4-tiny基础上增加了focus结构和cspnet(cross stagepartialnetworks)结构，实现了跨阶段局部融合网络。可以进行跨层预测，既有些bbox在多个预测层都算正样本，匹配的范围可以是3-9个。整个网络结构分成backbone,neck和head三个部分，采用mosaic数据增强方式，可自动计算数据集的最佳锚框值。

7、进一步的，为改善图片质量不佳，提高后期鱼类患病情况识别效率，对图片进行双边滤波以实现图片的降噪处理。

8、由于圈养桶环境下周围布置了各种电子元器件，同时水下微环境复杂，这对图片生成传输产生影响，从而导致图片质量不佳。为提高后期鱼类患病情况识别效率，需要对图片进行降噪处理。分析图片噪声可知，概率密度函数服从高斯分布(即正态分布)，常见的处理方法为高斯滤波或双边滤波来去除图片噪声。高斯滤波在低通滤波算法中有不错的表现，但是其却有另外一个问题，那就是只考虑了像素间的空间位置上的关系，因此滤波的结果会丢失边缘的信息。这里的边缘主要是指图像中主要的不同颜色区域(水的浑浊程度，彩虹鲷个体体色等)，而双边滤波就是在高斯滤波中加入了另外的一个权重分部来解决这一问题。

9、进一步的，采用c3组建代替原yolov5模型中的cspnet组建，以减少内存消耗和计算瓶颈。

10、为了能够让推导的算法减少内存消耗和计算瓶颈，利于鱼类健康监控算法形成后的工业化部署，采用c3组建代替原yolov5模型中的cspnet组建，c3组件相比cspnet组件，结构更加简单，本质上与cspnet组件效果类似，只是删除了标准cspnet组件在残差连接之后的一次卷积操作，直接和输入图经过一次卷积操作的另一分支进行拼接。

11、进一步的，通过扩大训练样本和替换所有3×3卷积内核骨干网络卷积核组(convkg)来提高网络的获取鱼表面特征的能力。

12、由于鱼类活动照片是在水下拍摄的，拍摄场景随着水质、光照和鱼群情况的变化而变化，导致拍摄的鱼的特征照片的变化和模糊，由于这种特殊的应用场景原始的yolov5主干网络很难准确提取清晰的特征。为了减少水下复杂性的影响，本研究提高了网络的泛化能力通过扩大训练样本和替换所有3×3卷积内核骨干网络卷积核组(convkg)提高网络的获取鱼表面特征的能力。

13、进一步的，将卷积块注意模块(cbam)添加到yolov5网络中以提高检测算法的抗干扰能力。

14、由于水下环境的变化和鱼类照片中鱼的数量的较大变化，干扰了原来的yolov5检测算法，本研究将注意机制模块——卷积块注意模块(cbam)添加到yolov5网络中。cbam是一个简单但有效的前馈卷积神经网络注意模块，它结合了通道注意模块(cam)和空间注意模块(sam)。给定一个中间特征图，我们的模块沿着通道和空间这两个独立的维度依次推断出一幅图像的注意力，然后将注意图乘以输入的特征图进行自适应特征细化。因为cbam是一个轻量级的通用模块，所以它无缝集成到任何卷积神经网络体系结构中，且影响可以忽略不计，并且可以使用底层的卷积神经网络进行端到端训练。

15、为实现水产养殖中的细菌病的快速、准确识别，帮助养殖户了解养殖池内的危害程度和分布情况，本研究基于yolov5结合嵌入式技术设计了一套鱼病的快速检测系统，通过对yolov5模型的改进对鱼的特征能提取能力更强，模型体积更小适用于布局嵌入式系统。试验结果得出，改进后yolov5模型其他主流目标检测网络模型具有更好鱼病检测性能，整个检测系统能够实时的检测鱼病的发生，按正常，轻度，重度划分，形成定量化的测评体系，并将鱼病的情况结合定位系统形成可视化的图像，结果显示实时fps均值达到了93.21。该系统实现了鱼病的精准识别与定位，可为鱼病的预测预防，精准施治提供精准信息服务。

技术特征：

1.一种基于yolo-v5的鱼病实时检测系统，其特征在于，包括感知层、网络层和应用层，感知层为一鱼病监测仪，鱼病监测仪包括处理器、gpu、高清摄像头，网络层包括gps/bd双模定位模块、4g通讯模块，应用层包括显示模块；

2.根据权利要求1所述一种基于yolo-v5的鱼病实时检测系统，其特征在于，鱼病识别分三步完成，对图片进行缩放处理(resize)、经过卷积网络(runconvolutionnetwork)、非极大抑制(non-maxsuppression)，识别后输出检测结果。

3.根据权利要求1所述一种基于yolo-v5的鱼病实时检测系统，其特征在于，为改善图片质量不佳，提高后期鱼类患病情况识别效率，对图片进行双边滤波以实现图片的降噪处理。

4.根据权利要求1所述一种基于yolo-v5的鱼病实时检测系统，其特征在于，采用c3组建代替原yolov5模型中的cspnet组建，以减少内存消耗和计算瓶颈。

5.根据权利要求1所述一种基于yolo-v5的鱼病实时检测系统，其特征在于，通过扩大训练样本和替换所有3×3卷积内核骨干网络卷积核组(convkg)来提高网络的获取鱼表面特征的能力。

6.根据权利要求1所述一种基于yolo-v5的鱼病实时检测系统，其特征在于，将卷积块注意模块(cbam)添加到yolov5网络中以提高检测算法的抗干扰能力。

技术总结
本发明提供了一种基于YOLO‑v5的鱼病实时检测系统，属于渔业养殖技术领域。包括感知层、网络层和应用层，感知层为一鱼病监测仪，鱼病监测仪包括处理器、GPU、高清摄像头，网络层包括GPS/BD双模定位模块、4G通讯模块，应用层包括显示模块；通过置于水下的高清摄像头实时采集水下鱼类图像信息，对鱼类图像信息预处理后，利用内嵌至鱼病监测仪内的改进的YOLOv5的Mali‑T864处理水下图像信息并识别鱼病，对有鱼病的图像进行特征提取和分级；再通过定位模块识别获取图形信息对应的位置信息；最后通过通讯模块将检测到的鱼病图像和鱼病等级信息传送至服务器。

技术研发人员：王朕,赵伟,文玲梅,杨霄,刘伟,徐晶,蔡克桐,段凯,黄超,王超
受保护的技术使用者：咸宁市农业科学院
技术研发日：
技术公布日：2024/1/11