编辑推荐：
在水产养殖中，手动处理水下视频繁琐易错，现有深度学习算法在模型大小和检测精度上难以平衡。研究人员开展基于改进 YOLOX-nano 算法的水下鱼类检测研究，提出 Foc_YOLOXn_ASFF 方法，提升了 AP，能满足嵌入式设备应用需求。
在水产养殖蓬勃发展的当下，水下观测成为了养殖户们的 “眼睛”。借助水下摄像头，人们能够实时观察养殖鱼类的状态，为科学管理和精准养殖提供依据。然而，大量的水下视频数据处理却成了令人头疼的难题。人工处理不仅耗时费力，还容易出错，而且需要专业技术人员操作。这就促使人们寻找更高效的自动处理方法，深度学习算法因此走进了人们的视野。
在深度学习领域，基于卷积神经网络（CNN）的算法在鱼类检测和识别方面取得了不少进展。但现有的算法仍存在诸多问题，比如两阶段目标检测算法（如 Fast R-CNN 和 Faster R-CNN）虽然精度较高，但检测速度慢，难以满足实时检测的需求；而一阶段算法（如 YOLO 系列）虽速度快，但在处理小物体或成群物体时精度欠佳，并且容易学习到大量无意义的背景样本，导致类别不平衡问题。此外，现有的模型很难在模型大小和检测精度之间找到完美的平衡，无法很好地应用于水下观测平台这类计算资源有限的设备。
为了解决这些问题，来自国内的研究人员开展了一项关于水下鱼类检测和识别的研究。他们提出了一种基于改进 YOLOX-nano 算法的方法，即 Foc_YOLOXn_ASFF。研究人员通过一系列实验，在自己构建的水下鱼类数据集上进行测试，最终得出了令人瞩目的成果。该研究成果发表在《Aquacultural Engineering》上，为水产养殖智能化发展提供了有力支持。
研究人员在此次研究中运用了多种关键技术方法。首先，利用高分辨率（1920×1080 像素）、30 帧 / 秒帧率的超广角水下摄像头（ROS-C600HD）采集大量视频数据，这些数据来自海洋养殖场的长期监测。然后，在深度学习服务器（配备 Intel (R) Xeon (R) CPU E5–2678 v3 @ 2.50?GHz 和 GeForce RTX 2080 Ti GPU）上进行实验，所有模型均训练 180 个 epoch，并设置 5 个 epoch 的热身阶段。
下面来看看具体的研究结果：
- 数据集准备：研究人员使用超广角水下摄像头（ROS-C600HD）收集了大量视频数据，其分辨率为 1920×1080 像素，帧率 30，且借助水下 LED 照明可用于夜间拍摄。这些摄像头安装在水下观测平台，对海洋养殖场进行长期监测，为后续研究提供了丰富的数据支持。
- 算法改进与性能提升：研究人员将 Focal loss 替代原始 YOLOX 中的二元交叉熵（BCE）损失来训练目标分支，缓解了背景和前景类别的不平衡问题，使检测性能从 0.846 AP 提升到 0.869 AP，且未增加模型复杂度。同时，结合 YOLOX-nano 与自适应空间特征融合（ASFF）结构，更好地融合多尺度特征，进一步将 AP 提升到 0.877。Foc_YOLOXn_ASFF 仅含 2.27 M 参数，相比 YOLOv5n 和 SE_YOLOv5s_DGhost，AP 分别高出 1.2% 和 7.9%。
研究结论和讨论部分指出，Foc_YOLOXn_ASFF 有效解决了类别不平衡和特征尺度不一致导致的漏检和误检问题。该方法通过 Focal loss 突出难区分但有价值的样本，借助 ASFF 缓解多尺度特征的冲突，在模型大小和检测精度上达到了理想平衡，满足了嵌入式设备的实际应用需求，为水产养殖的智能化发展提供了新的技术方案，有助于推动水产养殖行业朝着更加高效、精准的方向发展。
