基于改进YOLOv10n-EMCNet的远洋金枪鱼实时检测与计数方法

《Sensors》：Real-Time Detection and Counting Method for Distant-Water Tuna Based on Improved YOLOv10n-EMCNet Yuqing Liu, Zichen Zhang, Yuanchen Cheng, Hejun Liang, Jiacheng Wan and Chenye Wang

在远洋渔船舱面作业中，金枪鱼等渔获物的实时自动化监测对渔业资源评估至关重要。然而，强烈的光照变化、复杂的背景干扰和频繁的遮挡给可靠检测带来了挑战。为此，研究人员提出了一种名为YOLOv10n-EMCNet的改进型轻量目标检测器，并构建了端到端的检测-跟踪-计数流程。该研究在具有挑战性的渔船视频验证中实现了91.4%的平均计数精度，并在RTX 4090D平台上达到了约30 FPS的实时处理速度，为在典型船舱作业条件下实现自动化金枪鱼监测提供了初步的、令人鼓舞的实证支持。

　　

在全球海产品供应链和各国渔业经济中，远洋金枪鱼渔业扮演着重要角色。为了进行有效的种群评估和配额监管，可靠的渔获统计数据至关重要。然而，现实中的远洋渔船监测仍高度依赖人工观察和记录，这种方法不仅劳动强度大、成本高，而且在长时间工作和恶劣的操作环境下，还容易出现报告延迟和偶然的遗漏。尽管电子监控系统为通过计算机视觉实现自动化、数据驱动的监管提供了可能，但远洋船舱面的视频画面带来了独特的挑战：光照变化剧烈，船只动态导致运动模糊常见，且在起吊和传送过程中目标经常重叠或变得部分可见。这些因素共同降低了检测的召回率并扰乱了目标在时间上的关联，最终可能削弱计数的可靠性。

为了应对这些问题，Yuqing Liu, Zichen Zhang, Yuanchen Cheng, Hejun Liang, Jiacheng Wan, Chenye Wang等研究人员在《Sensors》上发表了一项研究，提出了一种基于改进YOLOv10n检测器的远洋金枪鱼实时检测与计数方法。他们开发了一种称为YOLOv10n-EMCNet的增强型检测器，专门针对具有密集遮挡和强环境干扰的船舱场景。该设计通过整合（i）主干网络中的基于ESC（模拟自注意力的卷积）的C2f模块，（ii）颈部网络中受FPN启发的多分支与尺度调制融合特征金字塔网络，以及（iii）检测头中的卷积注意力融合模块，来改进细粒度表示和多尺度交互。基于改进的检测器，他们进一步构建了一个端到端的检测-跟踪-计数流程，将DeepSORT与基于ROI（感兴趣区域）的去重策略相结合，以减少因目标重新进入和边界截断导致的重复计数。

为了开展研究，研究人员整合了多项关键技术。研究数据来源于中国水产有限公司运营的远洋金枪鱼延绳钓船“中水747”的一次完整生产航次。研究方法的核心是基于改进的YOLOv10n-EMCNet检测器，该模型在YOLOv10n基础上引入了三个关键组件以应对船舱复杂场景。研究还构建了一个结合DeepSORT多目标跟踪算法和ROI去重计数机制的“检测-跟踪-计数”完整流程。在模型评估方面，采用了包括平均精度均值、计数精度、相对误差和绝对误差在内的多种指标，以全面评估检测和计数的性能。所有实验在配备NVIDIA RTX 4090D GPU的工作站上进行，确保了算法效率的验证。

研究结果

1. 改进的YOLOv10n-EMCNet检测器性能

在自建的金枪鱼数据集上，YOLOv10n-EMCNet实现了94.84%的mAP@0.5（平均精度，交并比阈值为0.5）和65.29%的mAP@0.5:0.95（交并比阈值从0.5到0.95的平均精度），召回率达到91.77%，而其计算量仅为6.5 GFLOPs。与基线模型YOLOv10n以及其他YOLO系列模型（如YOLOv5n, YOLOv8n）相比，YOLOv10n-EMCNet在精度和召回率上均有显著提升，尤其是在处理具有挑战性的遮挡和背景干扰时表现更优，证明了所引入的ESC-based C2f、SMFPN和CAFM模块在提升模型对船舱复杂环境适应能力方面的有效性。

2. 多目标跟踪器对比分析

研究在具有挑战性的视频上对DeepSORT、ByteTrack和OC-SORT三种多目标跟踪算法进行了对比。结果显示，DeepSORT在计数精度、身份稳定性和运行时效率三者之间提供了最佳的整体平衡，因此被选作最终检测-计数流程中的跟踪组件。

3. 端到端流程船舱视频验证

研究在四段具有代表性的船舱视频上对提出的完整流程进行了验证，这些视频涵盖了白天高光、夜间低光、密集遮挡和密集多目标等场景。结果表明，该流程实现了91.4%的平均计数精度，平均相对误差为8.62%，平均绝对误差为每段视频1.25条鱼。同时，该系统在RTX 4090D平台上能够以大约30 FPS的速度运行，满足了实时处理的需求。

结论与讨论

本研究成功提出并验证了一种用于远洋金枪鱼实时检测与计数的改进型轻量级方法。所开发的YOLOv10n-EMCNet检测器通过结构创新，显著增强了对船舱作业中光照变化、背景杂乱和密集遮挡的鲁棒性。结合DeepSORT跟踪器和ROI去重策略构建的端到端流程，能够在具有代表性的挑战性船舱视频中实现高精度的实时计数。这些结果为在真实远洋渔船作业条件下部署自动化金枪鱼监测系统提供了有力的初步证据。该方法不仅有助于减少对人工观察的依赖，提高数据报告的及时性和准确性，也为基于电子监控视频的渔业科学管理和资源可持续利用提供了可行的技术路径。未来的工作可以进一步探索模型在更广泛船型和作业场景下的泛化能力，并考虑在资源更受限的边缘设备上进行部署优化。