[发明专利]一种基于机器视觉的海参行为监测方法、设备及存储介质

说明书

本发明提供了一种基于机器视觉的海参行为监测方法、设备及存储介质，方法包括以下步骤：在YOLOv5模型基础上搭建海参检测模型；获取现场环境中拍摄的海参图像数据集，处理后对模型进行训练；使用训练的模型进行监测，获取实时图像数据及坐标位置；通过后一帧获取的若干头海参的坐标分别与前一帧获取的若干头海参的坐标分别作差，得到每头海参连续坐标集合；绘制每头海参某个固定时间段内的行为轨迹曲线，并对海参的行为进行分析。本发明首次把YOLOv5模型用于海参养殖监测领域，并对模型进行了适应性的改进，提高了海参识别精度，提出了多目标自动取帧匹配坐标方法，能够分别统计每个目标的运动量，实现海参行为的定性和定量分析。

技术领域

本发明属于海参养殖监测技术领域，尤其涉及一种基于机器视觉的海参行为监测方法、设备及存储介质。

背景技术

海参含有丰富的蛋白质和糖分等营养素，是珍贵的海产品之一，具有较高的营养和药用价值。近年来，消费者对海参需求的不断增加，使得海参养殖业发展迅猛，养殖面积不断扩大。随着集约化养殖的发展，海参病害问题变得更加突出，逐渐成为制约相关产业可持续发展的瓶颈。在海参的病害中，比如腐皮综合症的致病力强、发病率高且传染性强，在苗期和成年期均有爆发，给养殖产业造成重大经济损失。

目前，已有许多学者已经对海参腐皮综合症的发病机制和检测展开了一系列研究。例如，通过在灿烂弧菌中放置绿色的荧光蛋白以实现灿烂弧菌在海参体内的分布和追踪，从而了解海参腐皮综合症的致病机制。通过荧光抗体检测技术实现了对刺参腐皮综合症的快速检测。目前对于海参腐皮综合症的发病机制研究已较为成熟，使得专家学者能够更方便地探究海参的发病和康复过程。

基于荧光标记以及打标签的方法同样被应用于海参的行为监测追踪中。例如，通过在3种大小规格的海参体内加入荧光色素以研究不同规格海参对环境的依赖性及生存能力。然而，无论荧光标记还是打标签的方法均会使海参产生应激反应，对实验结果带来一定的影响。对此，研究了两种标签对海参生理及行为的影响，实验结果表明标签的植入对海参没有生理上的影响，但是随着时间的增长，标签的脱落率逐渐升高。虽然标签植入这一方法被广泛应用于有脊椎动物身上，但海参属于无脊椎动物，导致植入标签相对困难。因此，亟待发展一种无损且智能化的海参跟踪监测技术。

近年来，人工智能特别是深度学习的发展，使其在目标识别、病虫害检测、水产养殖等领域得到了快速的发展。同时，模型良好的识别检测性能为动物行为追踪及分析奠定了坚实的基础。然而，由于水下生存条件限制以及背景复杂度更高，在一定程度上给模型的识别和行为追踪带来了一定的困难，使得水下目标追踪的研究相对较少。

为了将目标检测和跟踪算法进一步应用于水产养殖中，部分研究人员在实验室条件下展开了初步的研究，但是研究目标均为单头海参或单条鱼，缺少对多目标跟踪的研究。虽然这些研究实现了无损和智能化的水下目标监测跟踪，但是并未对水下动物的运动量进行统计，导致无法实现定量的分析。

发明内容

针对上述问题，本发明在前期研究基础之上，提出了基于ST-YOLOv5(SeaCucumber Tracking-You Only Look Once version5)和多目标自动取帧匹配坐标的海参行为分析方法。该方法结合了所提出的ST-YOLOv5快速准确检测目标的能力和输出的多目标坐标的自动匹配方法，实现了海参监测跟踪的定性和定量分析。

本发明第一方面提供了一种基于机器视觉的海参行为监测方法，其特征在于，包括以下步骤：

步骤1，在YOLOv5模型的基础上搭建ST-YOLOv5的海参检测模型，引入CA注意力模块获取图像中海参的位置，并将模块嵌入至YOLOv5主干网络中以进一步增强模型对目标特征的表示能力，同时将路径聚合网络PANet替换为加权双向特征金字塔结构BiFPN；

步骤2，获取现场环境中拍摄的海参图像数据集并划分为训练集和测试集，对训练集中的图像数据进行预处理，同时对步骤1中搭建的ST-YOLOv5的海参检测模型进行训练；