摘要：为了检测观赏鱼类的行为及其健康状况,设计了一种具有双层路由注意力机制的血鹦鹉(Vieja synspila♀×Amphilophus citrinellus♂)目标检测模型YOLOv8n-BiFormer,该方法在YOLOv8n模型基础上添加了双层路由注意力以减少计算量和内存,添加了新的视觉通用变换器BiFormer以提升计算效率,并采用ByteTrack算法追踪血鹦鹉的运动轨迹。结果表明:使用YOLOv8n-BiFormer模型对血鹦鹉的检测准确率达到99.2%,召回率为93.7%,平均精度均值(mAP@0.5)为99.1%,相较于YOLOv8n模型分别提升了0.8%、1.4%、1.0%;使用该模型对水族箱中的慈鲷(Chindongo demasoni)进行检测追踪同样取得了较好的效果,慈鲷的检测准确率达到97.0%,召回率为93.4%,平均精度均值为96.5%,相较于YOLOv8n模型召回率和平均精度分别提升了1.8%和1.9%。研究表明,本文中设计的YOLOv8n-BiFormer模型具有通用性,在检测和追踪血鹦鹉和慈鲷目标方面均表现优异,消耗的计算资源较少,可部署在水族箱监控系统中,为观赏鱼信息记录自动化和智能化提供了可行的解决方案。

摘要：目前,国内外部分自动化程度较高的捕捞渔船逐渐开始采用人类观察员与电子观察员相结合的捕捞监控方式。为简化电子监控系统数据处理流程、提高电子监控系统自动化程度、增强相关渔业公司及政府部门的管理效率,该研究提出将卷积神经网络(Convolutional Neural Network, CNN)与长短期记忆模块(Long Short Term Memory, LSTM)应用在传统电子监控系统数据中,用于灯光渔业日本鲭捕捞渔船行为提取。根据日本鲭捕捞渔船工作特点,划分出放网、收网、进鱼、转载等9种捕捞作业行为。设计4组平行试验,分别对比3层卷积神经网络、带有LSTM模块的3层卷积神经网络、8层卷积神经网络、带有LSTM模块的8层卷积神经网络在日本鲭捕捞渔船行为提取中的表现。试验结果显示,在测试集中该4种神经网络训练得到的模型综合评价指标F1分数分别达到了0.794、0.799,0.966及0.972,在配备NVIDIA Tesla V100 32GB高性能GPU的超算环境下5 000组数据平均每次检测耗时分别为34.66、34.50、37.41、37.61 ms。在一定范围内,网络深度的增加会显著提升模型的效果,但检测耗时也会有明显增加;LSTM模块的加入对网络模型效果有一定程度的提升,且不会显著影响检测耗时。因此,CNN-LSTM模块在电子监控系统高实时性、高精度场景下均有较大的应用前景,能够提高电子监控系统自动化程度,提高相关部门的管理效率。

摘要：叶绿素a浓度是反映水质的重要参数之一,常作为水产养殖、渔场预测、环境保护等领域的重要评价指标。针对现有叶绿素a监测仪器实时性差、自动化程度低、环境干扰严重等问题,该研究以实时监测叶绿素a浓度为主要目标,提出了环境光校正算法和数据处理算法,设计了一种基于激光诱导荧光技术的水体叶绿素a浓度监测装置。该装置可向水体发射波长440 nm的激光,诱导激发叶绿素a产生中心波长680 nm的荧光,利用可见光传感器获取叶绿素a受激产生的680 nm荧光强度,即可实现对叶绿素a浓度的监测。以绿藻门小球藻和蓝藻门铜绿微囊藻为对象,利用680 nm荧光值和叶绿素a浓度的线性关系建立拟合模型,模型决定系数R^(2)为0.996;基于统计分析法设计的数据处理可有效剔除误差数据,提高测量结果的稳定性;利用环境光校正算法可有效降低环境光对测量结果的干扰。在仪器稳定性试验中,通过测量激光模块的供电电流和光谱模块的440 nm通道光强值,4 min后两者的标准差系数均为0.001,皮尔逊相关系数为0.84,表明可通过控制电流强度控制激光输出。在性能验证试验中,2组不同光照强度和6组不同藻种的待测水样的平均测量误差在5.48%以内。研究结果可为水质监测领域提供设备支持。