一种基于图像声呐的深海网箱养殖鱼群数量估计方法

本发明涉及渔业资源评估，具体为一种基于图像声呐的深海网箱养殖鱼群数量估计方法。

背景技术：

1、联合国粮食及农业组织fao在2020年的数据显示，全球水产品总量预计由2020年的1.78亿吨提升至2030年的2.04亿吨。由于近20年全球捕捞产量变化很小，为满足优质水产动物蛋白需求，水产养殖将是水产品总量增长的重要途径。陆基和近海水产养殖面临空间、资源和环境约束等问题，而深远海水域辽阔、水质优良、水体交换速度快，是发展现代海洋牧场和海洋渔业经济的新空间，因此，开展深远海规模化设施养殖将是今后中国水产养殖产量提升的主要来源。深远海养殖一般是指在离大陆岸线10km以外、水深不小于20m、具有大洋性浪流特征的开放海域，采用规模化的养殖设施和机械化、自动化、智能化养殖管控装备，开展鱼类高效养殖生产。

2、对鱼群数量进行监测是深海网箱养殖生产管理的一个重要环节，主要有以下三点好处：1、实现养殖智能管理，养殖管理人员可根据鱼群数量调整投饲饵料量和制定渔获计划等；2、当鱼群数量异常时，可对网衣的安全与网衣破裂状况进行预警，以及时修补以减少损失；3、便于渔获金融资产评估，为实现渔获金融资产化提供必要的技术条件。

3、针对上述需求，国内外专家和学者提出了基于不同监测方式的解决方案。美国麻省理工大学和woods hole海洋研究所研制出光声结合的电机旋转扫描方式的远程网箱监测系统，能够分辨出鱼个体，实现网衣安全监测。但其成本高、电机旋转探测所需的声学成像时间长，标准成像时间为3min，对网箱内游动鱼群会产生大量的重复探测，导致鱼群量估计的较大误差；中国水产科学研究院渔业机械研究所采用光学手段研制了多视角网箱监测器，但在我国除了海南海水较为清澈外，大部分的沿海地区海水浑浊，使用光学方法进行水下目标有效观测的距离短，而且耗电量大，为此提供一种基于图像声呐的深海网箱养殖鱼群数量估计方法。

技术实现思路

1、本发明的目的是针对现有技术的缺陷，提供一种基于图像声呐的深海网箱养殖鱼群数量估计方法，以解决上述背景技术提出的问题。

2、为实现上述目的，本发明提供如下技术方案：一种基于图像声呐的深海网箱养殖鱼群数量估计方法，具体步骤如下：

3、s1、布置设备，将图像声呐固定在网箱一边，调整换能器角度使其尽可能覆盖更多的水体空间，将图像声呐和电脑及电源连接；

4、s2、开机并进行多段连续10分钟以上的观测，记录声呐数据并导出为视频；

5、s3、在yolov8神经网络模型中增加改进的注意力机制模块，制作数据集并输入模型进行训练，使用训练好的模型对需要预估鱼群数量的视频进行目标识别检测，检测类别只有一种即为鱼类；

6、s4、将视频每一帧的识别结果序列由大到小排序，使用训练好的bp神经网络模型根据前20位检测最大鱼条数估算出网箱中鱼的实际条数。

7、作为本发明的一种优先技术方案：步骤s1中的图像声呐采用设备为aris1800声呐，该设备具备以下特征：利用aris换能器元件进行非顺序发射；通过aris系统，根据从水下目标反射回来的回声强度，主动在视场处发射声波，形成具有不同明暗特征的声学图像；声学图像包括：对应于水底的明亮区域；代表鱼类或其他目标的明亮区域；对应于水背景的黑暗区域；

8、步骤s1中网箱为实验网箱，该实验网箱具备以下特征：实验网箱的长、宽、高分别为6米、3米和4米；实验网箱的四角绑上铁块作为配重；实验网箱中进行声呐探测的对象为金鲳鱼，金鲳鱼体长为13-17厘米。

9、作为本发明的一种优先技术方案：其特征在于，步骤s1中布置设备的具体操作流程如下：

10、s1-1：将aris1800声呐绑定在一个救生圈下，使其在水中漂浮；

11、s1-2：声呐探头设置于水下30-40厘米处，并且以45度角斜向左下；

12、s1-3：将声呐放置于网衣短边的中间位置；

13、s1-4：声呐与笔记本电脑连接，使用arisfish配套软件进行数据采集；

14、s1-5：在操作声呐时，使用高频模式，即频率设置为1.8mhz；

15、s1-6：探测距离设置为4.6米。

16、作为本发明的一种优先技术方案：所述s2中记录声呐数据的目的是获取模型训练所需要的数据，其具体步骤如下：

17、s2-1：以每20条鱼为标准分组进行定量实验，依次在实验网箱中放入共计20、40、60、80条金鲳鱼；

18、s2-2：使用aris1800声呐对每一组的鱼群进行连续探测；

19、s2-3：每10分钟的声呐探测数据被记录为一个.aris源文件，并保存在电脑中以供后续处理；

20、其中，上述采集到的声呐图像数据满足以下条件：清晰地看到鱼群和网衣的轮廓。

21、作为本发明的一种优先技术方案：步骤s3中采用yolov8神经网络模型进行鱼群目标检测，其具体步骤如下：

22、s3-1：将输入图像分为s*s个栅格，每个栅格会产生b个预测框，每一个预测框都由相应的特征向量表示，其中，s＝7，b＝2；

23、s3-2：每个预测框都由一个特征向量表示，该特征向量包含以下元素：预测框的宽度和高度；物体存在的置信度；每个栅格产生的分类预测特征向量；

24、s3-3：将置信度高的预测框以及该预测框所属分类一起回归到原输入图像上。

25、作为本发明的一种优先技术方案：步骤s3中yolov8神经网络模型包含一个特征提取网络，该特征提取网络具备以下特征：

26、该特征提取网络中加入特征融合的方法；该特征提取网络采用darknet-53作为骨干网络进行特征提取；

27、该特征提取网络是一个全卷积网络，在coco数据集上进行训练和测试；该特征提取网络最终输出一个尺寸为13×13×255的特征图；将该特征图输入到目标检测层1，进行位置回归和分类回归；

28、对最后一层的特征图进行上采样，并与中间层的特征图融合；将融合后的特征图分别输入到目标检测层3和目标检测层2。

29、作为本发明的一种优先技术方案：步骤s3中yolov8神经网络模型包含一个针对水下声呐图像中小型目标的检测模型改进方法，该方法具体包含如下步骤：

30、k1：对传统的注意力机制cbam模块进行改进，得到通道-空间注意力模块csam，该csam模块更加关注小目标的空间维度特征，且具有较少的参数量；

31、k2：将csam模块嵌入于yolov8神经网络模型的主干网络中，每次卷积提取特征后进行特征增强；

32、k3：在yolov8神经网络模型的主干网络上添加一个4倍的下采样过程，及在4种不同的尺度下进行检测；

33、k4：输入图片经过4倍下采样操作后，得到一个尺寸较大的浅层特征图，较小的感受野使该特征图能够包含更多的位置特征，进而对提高小型目标的感知能力。

34、作为本发明的一种优先技术方案：步骤k2中的csam具体包含了一个l-cam，其中通道注意力模块cam通过减少计算量得到改进后的轻量化通道注意力模块l-cam，其减少计算量的公式为：

35、

36、其中，c为输入的特征图通道数，k为卷积核长度，γ和b设为2和1,odd为取奇数；

37、作为本发明的一种优先技术方案：所述l-cam和sam模块构建了通道-空间注意力结构csam，其构建过程如下：

38、w1：利用l-cam与sam分别得到通道注意力权重mc、空间注意力权重ms；

39、w2：将注意力mc、ms映射扩展到rw×h×c大小，其中w和h分别表示图像的宽度和高度，c表示通道数，并进行逐元素求和与sigmoid归一化，得到基于空间和通道注意力权重矩阵mcs，其计算公式如下：

40、mcs＝sigmoid(mc+ms)

41、w3：将混合注意力权重矩阵mcs与输入特征图f进行逐元素相乘，并将其添加到原始输入特征图上，得到精细化的特征图fcs，其计算公式如下：

42、

43、作为本发明的一种优先技术方案：步骤s3中进行目标识别检测的检测性能，采用平均精度均值(map)、参数量(params)、计算量(gflops)和速度(fps)作为评价指标；在计算平均精度均值(map)的过程中，先计算平均精度(ap)，其表示数据集中一个类别的精度平均值；再对不同类别的平均精度(ap)值进行平均化，得到平均精度均值(map)，ap和map计算过程如下所示：

44、

45、

46、其中，p表示查准率，即模型识别的正确结果在所识别的所有结果中的比率；r表示查全率，即模型识别的正确结果在数据集中需要被识别出结果的比率；n表示样本的类别数量。

47、作为本发明的一种优先技术方案：步骤s4的bp神经网络模型包括1个输入层、1至多个隐藏层及1个输出层；

48、bp神经网络模型的训练步骤为：初始化各层权值和阈值，输入层输入样本数据，经过隐藏层计算，最终在输出层输出结果；

49、其中各层在向前传递的过程中，当前层只会对相邻下一层产生影响，若输出层的结果不满足期望的输出值，则将与期望值的误差反向传播到网络中，使误差函数沿着负梯度方向下降以调整网络权值和阈值，直至误差可接受；

50、在bp神经网络中采用激活函数将多个线性输入转换为非线性的关系，实现线性到非线性映射功能，激活函数sigmoid(x)定义如下式：

51、

52、bp神经网络在训练过程中，预测或拟合数据与实测数据之间的误差采用均方误差mse表达，如下式：

53、

54、n表示数据量，yi表示实测数据，表示基于bp神经网络模型的预测或拟合数据。

55、有益效果：本发明针对离岸深海网箱内养殖鱼群的数量难以评估的问题，公开了一种基于图像声呐的深海网箱养殖鱼群数量估计方法，该方法采用前视图像声呐在深海网箱中进行持续探测，结合添加注意力机制的yolo目标检测模型和bp神经网络，实现了深海网箱中鱼群数量的实时自动估计，在中国南海海域进行了定量实验，为训练yolo模型和神经网络提供了数据基础，实验结果表明，改进的yolov8模型平均检测精度map50相比原始算法提升了3.81个百分点；神经网络在拟合鱼群数量时达到了84.63％的精确度，优于三次多项式拟合0.72个百分点，深海网箱养殖鱼群数量的精确评估将助力深远海养殖科学智能管理，合理制定喂食、渔获规划。