鱼群图像和视频的自动检测,在科学养殖与监管、海洋渔业监测等领域有广泛应用。为了有效提高鱼群检测的精确度,一些学者已经提出了基于深度学习的方法,但是实时高效的检测出鱼群的位置还未得到较好的解决。本文利用计算机视觉与深度学...鱼群图像和视频的自动检测,在科学养殖与监管、海洋渔业监测等领域有广泛应用。为了有效提高鱼群检测的精确度,一些学者已经提出了基于深度学习的方法,但是实时高效的检测出鱼群的位置还未得到较好的解决。本文利用计算机视觉与深度学习方法相结合,提出了一种基于YOLO算法的端到端鱼群检测方法,通过提取整张图像的特征,利用卷积运算与非极大值抑制处理后直接估计出该图像内各目标位置信息,处理速度大幅度提升。同时,针对光线较暗的水下场景,算法依然能够实现场景中鱼群的检测定位。在Labeled Fishes in the Wild图像数据集上验证了本算法,可以达到30帧/秒的处理速度,对实时视频中鱼群的检测精度能够达到90%以上。展开更多
文摘鱼群图像和视频的自动检测,在科学养殖与监管、海洋渔业监测等领域有广泛应用。为了有效提高鱼群检测的精确度,一些学者已经提出了基于深度学习的方法,但是实时高效的检测出鱼群的位置还未得到较好的解决。本文利用计算机视觉与深度学习方法相结合,提出了一种基于YOLO算法的端到端鱼群检测方法,通过提取整张图像的特征,利用卷积运算与非极大值抑制处理后直接估计出该图像内各目标位置信息,处理速度大幅度提升。同时,针对光线较暗的水下场景,算法依然能够实现场景中鱼群的检测定位。在Labeled Fishes in the Wild图像数据集上验证了本算法,可以达到30帧/秒的处理速度,对实时视频中鱼群的检测精度能够达到90%以上。
