改进的DeepLabCut鱼类游动轨迹提取

作     者：雷帮军 裴斐 吴正平 张海镔 LEI Bangjun;PEI Fei;WU Zhengping;ZHANG Haibin

作者机构：湖北省水电工程智能视觉监测重点实验室湖北宜昌443002 三峡大学计算机与信息学院湖北宜昌443002 水电工程视觉监测宜昌市重点实验室湖北宜昌443002 

基　　金：国家自然科学基金(61871258) 水电工程智能视觉监测湖北省重点实验室建设项目(2019ZYYD007) 

出 版 物：《渔业现代化》 (Fishery Modernization)

年 卷 期：2024年第51卷第2期

页      码：61-69页

摘      要：针对现有的鱼类游动轨迹提取方法在提取效率和准确率方面不能同时兼顾的问题,提出了一种改进的DeepLabCut方法用于鱼类背部关键点识别和定位。首先,选择了轻量级卷积神经网络模型EfficientNet-B0作为DeepLabCut的主干网络模型,用于提取鱼类背部关键点的特征,为了增强EfficientNet-B0的表征能力,在网络模型中引入了改进的CBAM(Convolutional Block Attention Module)注意力机制模块,将CBAM中的空间注意力模块和通道注意力模块从原来的串行连接方式改为并行连接,以解决两种注意力模块之间因串行连接而导致的互相干扰问题。其次,基于MSE(Mean Squared Error)损失函数提出了一种分段式损失函数H_MSE用于模型的训练,分段式损失函数H_MSE相对于传统的损失函数具有较强的鲁棒性,其在处理数据中的异常值时能表现出较低的敏感性。最后,采用了半监督学习方法对关键点进行自动标记来减少人工标记数据时产生的误差。结果显示:相比于DeepLabCut原始算法,识别误差RMSE(Root Mean Squared Error)平均降低了4.5像素;与目标检测算法Faster RCNN、SK-YOLOv5、ESB-YOLO、YOLOv8-Head-ECAM相比,识别误差RMSE平均降低了11.5像素,检测效果优于其他目标检测网络和原始网络,平均每张图像的检测时间为0.062 s,能够快速准确提取鱼道内鱼类的游动轨迹,为优化鱼道的水力设计指标提供了重要依据。

主 题 词：鱼类识别 轨迹识别 关键点识别 DeepLabCut 半监督学习 损失函数 注意力机制 

学科分类：090801[090801] 0908[0908] 081203[081203] 08[工学] 09[农学] 0835[0835] 0812[工学-测绘类] 

D　O　I：10.3969/j.issn.1007-9580.2024.02.008

馆 藏 号：203127304...