《Information Processing in Agriculture》:Fish larvae counting based on feature perception aggregation network
编辑推荐:
本文针对水产养殖中鱼苗尺寸小、分布密集、易变形遮挡导致的计数难题,提出了一种基于特征感知聚合网络(FPANet)的鱼苗计数方法。研究通过引入三重注意力优化模块(TARB)、双分支交叉注意力特征增强模块(DCFEM)和空洞卷积解码器(DCD),有效提升了复杂场景下的计数精度。实验结果表明,FPANet在自建鱼苗数据集上取得了MAE 1.968、RMSE 2.661、准确率98.24%的优异性能,为可持续水产养殖管理提供了可靠的技术支持。
在水产养殖领域,准确统计鱼苗数量对于控制放养密度、估算生物量、优化饲料投喂和监测死亡率至关重要。然而,鱼苗在培育阶段往往体型微小、分布密集,个体之间容易发生形变和遮挡,这使得传统的计数方法不仅费时费力,而且准确率低,难以满足大规模或实时操作的需求,甚至可能对鱼类的健康和生长造成风险。因此,开发一种非侵入式、高精度的自动化鱼苗计数技术具有重要的现实意义。
为了应对这一挑战,河南大学大数据分析与处理河南省重点实验室的研究团队在《Information Processing in Agriculture》上发表了一项研究,提出了一种名为特征感知聚合网络(FPANet)的新方法,专门用于解决高密度场景下鱼苗计数的难题。
研究人员开展此项研究主要运用了深度学习与计算机视觉技术。研究基于密度图生成的方法,其核心技术模块包括:1)以前馈卷积神经网络VGG19作为骨干网络进行基础特征提取;2)设计了三重注意力优化模块(TARB),该模块嵌入了卷积块注意力模块(CBAM),通过通道和空间注意力动态聚合图像上下文信息,增强对小尺寸鱼苗特征的感知并抑制浅层噪声干扰;3)提出了双分支交叉注意力特征增强模块(DCFEM),该模块包含全局分支和局部分支,通过交叉注意力机制整合全局信息和局部细节,以应对鱼苗的变形和遮挡问题;4)在解码器部分引入了空洞卷积解码器(DCD),利用空洞卷积在保持空间分辨率的同时扩大感受野,增强全局上下文信息和多尺度结构信息,从而提升密度图的质量。模型训练采用了广义最优传输损失(Generalized Optimal Transport loss)函数,该损失融合了基于传输的全局对齐以及点级和像素级监督。实验在一个包含303张图像(后通过图像处理数据增强策略扩充至4573张)的鱼苗数据集上进行,该数据集根据鱼苗数量划分为低、中、高三个密度等级。
3.1. 改进前后对比
研究首先将FPANet与基线方法LDNet进行了对比。实验结果显示,FPANet取得了平均绝对误差(MAE)1.968、均方根误差(RMSE)2.661和准确率98.24%的综合最佳性能。相较于LDNet(MAE 2.256, RMSE 3.094, 准确率98.02%),FPANet的MAE和RMSE分别降低了12.8%和14.0%,准确率提升了0.22%。特别是在高密度场景下,FPANet的表现尤为突出,MAE和RMSE分别从3.646和4.875显著降低至2.661和3.555,证明了其在处理严重遮挡和变形方面的有效性。
3.2. 模型性能对比与分析
为了全面评估FPANet的性能,研究将其与多种经典和先进的计数模型进行了比较,包括MCNN、CSRNet、CAN、BL、DM-Count、GL、MAN和LDNet。定量结果表明,FPANet在MAE、RMSE和准确率三项指标上均优于所有对比模型,达到了最优水平。例如,FPANet的MAE(1.968)低于次优的GL(2.055)和MAN(2.092)。箱线图分析进一步显示,FPANet的计数误差中位数和均值最低,误差波动范围最小,且极端异常值最少,表明其计数性能更为有效和稳定。
3.3. 消融实验
消融研究系统地评估了FPANet中各核心组件的贡献。实验通过逐步添加TARB、DCFEM和DCD模块到基线模型上进行。结果表明,每个模块的引入都带来了性能提升,而完整的FPANet(包含所有三个模块)取得了最佳效果(MAE 1.968, RMSE 2.661, 准确率98.24%),证明了各模块设计的有效性和协同作用。研究还探讨了TARB中CBAM模块的数量和图像随机裁剪策略的影响,最终确定使用三个CBAM模块和512×512的随机裁剪尺寸。
3.4. 统计显著性检验
采用Wilcoxon符号秩检验对FPANet与基线模型的性能差异进行了统计显著性分析。结果显示,MAE和RMSE的p值分别为0.0076和0.0191,均小于显著性水平α=0.05,表明FPANet的性能提升具有统计学意义。
3.5. 泛化能力测试
为了评估模型的泛化能力,研究构建了一个包含265张经过多种数据增强(如高斯模糊、椒盐噪声、对比度增强等)处理的补充数据集,以模拟不同的环境条件。在该数据集上的测试结果表明,FPANet(MAE 9.406, RMSE 12.259, 准确率93.23%)性能优于基线LDNet(MAE 10.514, RMSE 14.699, 准确率92.85%)。密度图可视化对比显示,FPANet生成的密度图在空间分布和整体密度估计上与真实情况更为接近,证明了其在不同场景下的鲁棒性和适应性。
综上所述,本研究提出的FPANet通过集成TARB、DCFEM和DCD等创新模块,有效解决了高密度鱼苗计数中的小目标感知、特征遮挡和形变等关键问题。实验证明,该模型在计数精度、稳定性和泛化能力方面均表现出色,为水产养殖的精准管理和生态保护提供了有力的技术工具。尽管取得了显著成果,研究也指出了未来需要改进的方向,例如降低数据标注的劳动强度以及优化模型的计算效率以适应实时部署的需求。未来的工作将致力于探索半监督或无监督学习方法,并进一步优化模型结构,以推动该技术在实践中的广泛应用。