
-
生物通官微
陪你抓住生命科技
跳动的脉搏
FishMorphNet:一种基于YOLOv12的深度学习模型,采用鱼类IoU损失函数,用于水下视觉系统中精确测量鱼类的形态特征
《Aquaculture International》:FishMorphNet: A YOLOv12-based deep learning model with Fish-IoU loss for accurate fish morphometric measurement in underwater vision systems
【字体: 大 中 小 】 时间:2026年08月02日 来源:Aquaculture International 3.5
编辑推荐:
摘要准确测量鱼类的形态参数对于精准水产养殖至关重要,它有助于生物量估算、喂养优化以及健康监测。然而,水下成像会受到光线衰减、水体浑浊以及鱼类动态姿态的影响,这些因素都会降低图像质量并影响检测精度。为了解决这些问题,本文提出了FishMorphNet,这是一种基于YOLOv12改进
准确测量鱼类的形态参数对于精准水产养殖至关重要,它有助于生物量估算、喂养优化以及健康监测。然而,水下成像会受到光线衰减、水体浑浊以及鱼类动态姿态的影响,这些因素都会降低图像质量并影响检测精度。为了解决这些问题,本文提出了FishMorphNet,这是一种基于YOLOv12改进的深度学习模型,包含了三项关键创新:(1)一种专为高长宽比鱼类目标设计的新型边界框回归损失函数Fish-IoU;(2)在模型主干中集成卷积块注意力模块(CBAM),以增强复杂水下场景中的特征提取能力;(3)在模型颈部用深度可分离卷积(DWConv)替代传统卷积,从而在保持精度的同时降低计算成本。本研究的核心贡献在于Fish-IoU的损失函数设计。该函数通过将距离损失项与形状惩罚项彻底分开,其数学设计专门针对高长宽比鱼类目标的回归难题而优化。实验是在真实的水产养殖环境中,使用双目立体视觉系统对大口黑鲈和斑点刀颌鱼这两种鱼类进行的。所提出的方法具有出色的检测性能,50-95% IoU条件下的平均精度值(mAP@50-95)为0.800,同时显著提升了鱼类体长和体高的估算精度,与基准方法相比,均方根误差降低了60%以上。在所有评估指标上,Fish-IoU的表现均优于现有的基于IoU的损失函数。这项工作通过实现准确、高效且自动化的鱼类形态测量,为智能水产养殖系统的发展做出了贡献。
准确测量鱼类的形态参数对于精准水产养殖至关重要,它有助于生物量估算、喂养优化以及健康监测。然而,水下成像会受到光线衰减、水体浑浊以及鱼类动态姿态的影响,这些因素都会降低图像质量并影响检测精度。为了解决这些问题,本文提出了FishMorphNet,这是一种基于YOLOv12改进的深度学习模型,包含了三项关键创新:(1)一种专为高长宽比鱼类目标设计的新型边界框回归损失函数Fish-IoU;(2)在模型主干中集成卷积块注意力模块(CBAM),以增强复杂水下场景中的特征提取能力;(3)在模型颈部用深度可分离卷积(DWConv)替代传统卷积,从而在保持精度的同时降低计算成本。本研究的核心贡献在于Fish-IoU的损失函数设计。该函数通过将距离损失项与形状惩罚项彻底分开,其数学设计专门针对高长宽比鱼类目标的回归难题而优化。实验是在真实的水产养殖环境中,使用双目立体视觉系统对大口黑鲈和斑点刀颌鱼这两种鱼类进行的。所提出的方法具有出色的检测性能,50-95% IoU条件下的平均精度值(mAP@50-95)为0.800,同时显著提升了鱼类体长和体高的估算精度,与基准方法相比,均方根误差降低了60%以上。在所有评估指标上,Fish-IoU的表现均优于现有的基于IoU的损失函数。这项工作通过实现准确、高效且自动化的鱼类形态测量,为智能水产养殖系统的发展做出了贡献。
生物通微信公众号