[发明专利]一种基于平衡性联合网络的鱼类多目标跟踪方法

说明书

本发明公开了属于水产养殖技术领域的一种基于平衡性联合网络的鱼类多目标跟踪方法。该方法是基于中国农业人工智能创新创业大赛数据集，在原数据集基础上进行了优化整理补充，生成了新的OptMFT数据集；通过对数据集做了合并训练，来进一步加强对于复杂环境下的模型的鲁棒性；同时，对一些图像质量较差的负样本图像帧进行了剔除，强化了鱼类目标明显、游动轨迹清晰的数据的训练权重，进一步提升模型对于鱼类识别的精度，并对数据集做了全帧训练来增强模型对于鱼群高速游动情况下的鲁棒性验证；本发明应用范围广泛，在多个养殖环境下都能起到很好的效果，实用性强。

技术领域

本发明属于水产养殖技术领域，特别涉及一种基于平衡性联合网络的鱼类多目标跟踪方法。

背景技术

(1)传统集约化养殖池水产养殖的缺陷与问题

对于集约化养殖池水产养殖模式，水中溶解氧的高低对鱼类的摄食、饵料的消化、鱼类的生长都会产生重要影响。溶解氧含量过低时，将导致鱼类出现食欲降低、消化吸收率低、生长迟缓等不良症状，含氧量过低时会导致鱼类的缺氧死亡，严重影响水产养殖产量。从鱼类的生理、行为角度分析，溶解氧低会导致鱼类出现集群浮头、跳水行为、甚至在水面急速游动与不规律游动、体色灰暗变淡、鱼眼产生白膜等现象。因此可通过鱼类的多目标跟踪方法来判断鱼群是否存在异常行为，为智能养殖提供依据。

目前，在我国水产养殖业中存在一些不合理现象，在生态不同的养殖环境，水产养殖种类中十分常见。如果特定区域适合某种类型的生物水产养殖，则水生生物量将严重超过环境负荷，长期密集的养殖在当地地区具有单一结构，很容易造成生态系统的能量和物质枯竭，导致生态失衡，赤潮和病原生物的发生。并且，由于食物链短和能量转化率高，使生态系统稳定性差，很容易引起疾病和流行病爆发。因此在水产养殖中，及时发现饲养鱼是否感染病虫害，从而降低不必要的养殖损失是一个重要的研究方向。

目前养殖规模的迅速扩张与养殖密度的激增，对于水环境与土壤环境的消耗越来越大，对于投喂饵料的过度浪费与养殖药物的滥用，使得养殖水环境逐渐恶化。目前的智能化、自动化、信息化程度较低，如何利用物联网等信息技术进行资源的合理利用，实现高效、绿色的养殖是目前养殖业的主要发展目标。

(2)基于计算机视觉的鱼群目标跟踪方法

利用计算机视觉的相关方法进行鱼类目标跟踪是实现智慧水产养殖的重要技术之一。相比基于声学或基于传感器的鱼类检测与追踪方法，基于计算机视觉的鱼类检测与追踪方法有实时性、非接触式、设备需求简单、不影响鱼类正常行为活动等优点。相比而言，计算机图像与视频信息还具有丰富的可解释性，可以通过对数据的分析获取肉眼不可见的深度语义信息，所以基于计算机视觉技术的鱼群跟踪具有广阔的应用前景。

在鱼群跟踪领域，传统的跟踪方法仍占据主流。在检测阶段，多使用传统的差分方法进行像素级的计算，对鱼类目标进行定位识别；在跟踪阶段通过运动学的方法进行轨迹预测与绘制，如滤波相关方法。随着深度学习技术的发展，基于CNN的检测器相比传统方法在精度上得到的显著的提升，进而使得模型的预测轨迹精确度更高。但目前在鱼类目标的应用上，仍未出现较大突破。大多数的跟踪方法仍然以传统的背景差分法、帧间差分法等作为检测器，以滤波、SORT等相关方法作为跟踪器进行行为轨迹预测。由于鱼群高速游动，鱼体之间的相互遮挡、黏连问题，水下图像的光照问题等给跟踪技术带来了很大的挑战。

基于计算机视觉的鱼群目标跟踪方法主要存在以下问题：

(1)水下图像数据问题：鱼类多目标跟踪数据集主要存在数据采集和数据帧质量两方面的问题。

首先，鱼类数据集由于规模小且密度高，获取难度较高而导致目前开源的鱼类数据集较少，且开源鱼类数据集的质量仍然不能满足基于深度学习的方法的要求。特别是在分辨率和图像帧方面，仍然缺乏高质量的开源鱼类多目标跟踪数据集。因此目前在数据训练上以实验现场采集的数据为主，导致训练的模型在其他环境的应用下精度降低较明显。