基于无人机影像的池塘漂浮死鱼质量估测方法(UAV-FDFishMass)及其在渔业生态评估中的应用

《Aquacultural Engineering》：UAV-FDFishMass: A floating dead fish mass estimation method in ponds using unmanned aerial vehicle imagery

本文提出了一种创新的池塘漂浮死鱼质量估测方法UAV-FDFishMass，通过改进的实例分割模型（集成小目标分割层、SPDConv和ASF模块）和贝叶斯优化的LightGBM算法，在复杂池塘环境中实现了98.63%的mAP@0.5分割精度和5.90%的MAPE（平均绝对百分比误差）。该方法突破了传统单双目设备在大型水域的应用局限，为渔业生态评估、保险理赔和养殖管理提供了可靠的技术支持。

　　

Highlight

模型训练结果

鱼类实例分割的目标是精确提取鱼体轮廓，量化其形态特征，进而通过校准实现鱼体质量估测。本研究采用自建的池塘白鱼实例分割数据集，对提出的小目标改进型PSA-YOLO漂浮死鱼实例分割模型进行训练。图8展示了模型在训练集和验证集上的损失函数值及mAP@0.5曲线。

如图8(a)所示，模型训练过程稳定，损失函数迅速收敛并保持在较低水平。验证集上的mAP@0.5指标达到98.63%，表明该模型在漂浮死鱼实例分割任务中具有卓越的性能。

讨论

(1) 最佳飞行高度的确定。考虑到不同飞行高度可能影响鱼体特征提取，我们采集了不同高度下随机选取鱼体的图像进行测试。得到的鱼体长度提取误差如表6所示。

由表6可知，当飞行高度从3米升至5米时，鱼体长度的相对误差逐渐增大。这主要是因为较低飞行高度拍摄的鱼体图像通常包含更丰富的细节特征，有利于形态参数的精确提取。

结论

为满足大规模池塘养殖环境对精度和小目标分割精度的需求，本文提出了一种基于无人机的池塘漂浮死鱼质量估测方法(UAV-FDFishMass)。首先通过无人机影像构建白鱼实例分割数据集；其次建立PSA-YOLO模型检测无人机图像中白鱼的位置与轮廓，通过引入小目标分割层、SPDConv模块和ASF颈部结构，显著提升了小目标分割性能；最后采用校正因子校准鱼体形态特征，结合贝叶斯优化的LightGBM模型实现质量估测。实验结果表明，该方法在分割精度和质量估测准确度方面均优于传统方法，为池塘养殖的智能化管理提供了有效技术手段。