一种基于EfficientNetB0-FPSANet的鱼群摄食强度评估方法

《Aquaculture International》：A fish school feeding intensity assessment method based on EfficientNetB0-FPSANet

本文提出基于改进EfficientNetB0-FPSANet的鱼群进食强度评估方法，通过数据预处理消除水面反光并增强样本多样性，重构轻量化EfficientNetB0架构并附加FPSA模块以捕捉局部与全局特征，最终在真实鱼群图像数据集上达到98.73%的评估精度，较Swin_transformer等模型性能提升1.56%-2.69%。

　　

摘要

评估鱼群的摄食强度对于优化饲料效率、降低水产养殖生产成本以及确保池塘养殖中鱼类的健康生长至关重要。由于鱼群在池塘环境中表现出多样的摄食形态和动态变化的聚集模式，现有的模型难以捕捉局部摄食热点与全局分布特征之间的关键空间关系，从而导致评估精度下降。为了解决这一问题，本文提出了一种基于EfficientNetB0-FPSANet的鱼群摄食强度评估方法。在数据准备阶段，输入图像首先经过专门的水面反光去除处理，以消除由水面反射引起的过度曝光现象，随后进行随机裁剪和统计归一化处理，以优化视觉质量并提高样本多样性。其次，通过移除EfficientNetB0中的Squeeze-Excitation（SE）层，重新设计了MBConv层，从而实现了更轻量级的架构的同时不牺牲模型效果。同时，在EfficientNetB0的末端添加了Fusion Pyramid Squeeze-Excitation Attention（FPSA）模块，该模块能够提取不同尺度的特征，并有效保留局部细节和全局信息。最后，通过对实际鱼群图像数据集的严格测试，开发的EfficientNetB0-FPSANet模型实现了98.73%的评估精度。与其他基于Swin_transformer、ConvNeXt_base、ResNet50、ShuffleNetV2和DenseNet121的鱼群摄食强度评估模型相比，我们的模型在精度上分别提高了2.69%、2.50%、2.34%、1.71%和1.56%。实验结果证实了该方法在实际水产养殖环境中准确评估鱼群摄食强度的有效性。