融合YOLOv7和BYTE多目标跟踪的多类别海珍品计数方法

• Published in: 农业工程学报 Vol. 39; no. 9; pp. 183 - 189
• Main Authors: 安志强, 李智军, 刘硕, 赵永刚, 陈启俊, 左然涛, 林远山
• Format: Journal Article
• Language: Chinese
• Published: 辽宁省海洋信息技术重点实验室,大连116023 01.05.2023; 设施渔业教育部重点实验室,大连海洋大学,大连116023%大连海洋大学信息工程学院,大连116023%大连鑫玉龙海洋生物种业科技股份有限公司,大连116007%大连海洋大学水产与生命学院,大连116023; 大连海洋大学信息工程学院,大连116023
• Subjects: deep learning; aquaculture; 机器视觉; sea foods counting; 深度学习; multi-target tracking; 海珍品计数; 多目标跟踪; 水产养殖; machine vision
• ISSN: 1002-6819
• DOI: 10.11975/j.issn.1002-6819.202301076

TP391.41; 针对目前养殖过程中海珍品计数方法成本高、效率低、计数精度难以保障等问题,该研究以真实底播养殖环境下的海珍品为研究对象,以水下拍摄的海珍品视频为数据源,提出一种基于视频多目标跟踪的多类别海珍品计数方法.首先,采用性能优异的YOLOv7算法实现海珍品目标检测器,为多目标跟踪提供输入;然后,结合真实养殖环境下同类别海珍品外观相似性高、不清晰等特点,借鉴BYTE算法的多目标跟踪思想,设计多类别轨迹生成策略和基于轨迹ID号的计数策略,提出一种多类别海珍品跟踪与计数方法.并提出一套更适用于基于轨迹ID号计数方法的评估指标.试验结果表明,改进平均计数精度、改进平均绝对误差、改进均方根误差及帧率分别为 91.62%、5.75、6.38和 32帧/s,各项指标多优于YOLOv5+DeepSORT、YOLOv7+DeepSORT、YOLOv5+BYTE、YOLOv7+BYTE等算法,尤其改进平均计数精度、帧率指标比YOLOv5+DeepSORT高了 29.51个百分点和 8帧/s,且在改进平均绝对误差、改进均方根误差指标上分别降低 19.50和 12.08.该研究方法可有效帮助水产养殖企业掌握水下海珍品数量,为现代化渔业的测产研究提供技术参考,为水产养殖的智慧管理提供科学决策依据.