博文

Fishes：从人工数鱼到智能计数——面向高密度养殖计数场景的轻量化鱼类检测模型

已有 1226 次阅读 2026-7-19 09:00 |个人分类:学术软文|系统分类:论文交流

作者简介

姓名：裴洛伟

机构：浙江大学生物系统工程与食品科学学院

研究方向：设施水产养殖工程

姓名：周浩东

机构：浙江大学生物系统工程与食品科学学院

研究方向：设施水产养殖工程

姓名：叶章颖

机构：浙江大学生物系统工程与食品科学学院

研究方向：智慧渔业、养殖与作业智能装备 (机器人)、大模型与智能决策、电化学技术与智能装备

研究背景

鱼类计数是水产养殖生产管理中的关键环节，直接关系到投喂决策、成活率评估、生长监测和销售定价。传统人工计数不仅耗时费力、误差较大，还可能对鱼体造成应激与损伤。随着机器视觉和深度学习技术的发展，基于图像的自动化鱼类检测与计数为智慧水产养殖提供了新思路，而高精度鱼类检测正是实现精准计数的前提。

然而，在实际高密度计数场景中，鱼体常常相互遮挡、粘连和重叠，并伴随游动造成的形变与运动模糊，使得难以准确识别每个个体。针对这一问题，浙江大学生物系统工程与食品科学学院等单位的科研团队在 Fishes 期刊发表研究，提出了一种面向高密度养殖计数场景的轻量化鱼类检测模型YOLO-FC。该模型基于YOLO框架进行针对性优化，在显著降低模型参数量和计算量的同时，实现了对高密度鱼群个体的高精度检测。

模型改进与优化

1. 更“轻”的骨干网络，减少冗余计算

YOLO-FC没有沿用过于复杂的通用检测结构，而是对骨干网络和特征融合结构进行了轻量化优化。模型引入GSConv、VOVGSCSP和C2f等轻量化结构，在降低计算量的同时，增强鱼体边缘、轮廓和局部形态特征的表达能力。YOLO-FCn的参数量和计算量分别仅为YOLOv5n的14.7%和73.2%，更适合部署到实际计数设备中。

图1. YOLO-FC的整体结构

2. 单检测头设计，匹配鱼类计数场景

传统YOLO模型常采用多个检测头，以适应不同尺度目标。但在计数通道中，鱼体尺寸相对集中，多检测头可能带来冗余信息。研究发现，单一P3检测头在本任务中整体表现更优，不仅减少计算量，也提升了检测稳定性。

图2. 不同检测头的检测性能对比

3. 引入SAC，增强遮挡鱼体识别能力

鱼体柔软细长，游动时容易弯曲变形，在高密度场景中，还常出现遮挡和粘连。YOLO-FC在骨干网络中引入SAC，使模型能够更灵活地提取不同形态鱼体的空间特征，从而提高对弯曲、遮挡个体的识别能力。

4. 采用WFF，突出关键特征

YOLO-FC在特征融合阶段引入WFF，让模型自动强化鱼体边缘、轮廓等关键信息，减弱背景、反光和低对比度带来的干扰，更好地区分粘连个体。

5. 改进定位损失，提高检测框精度

对于自动计数而言，检测框是否准确直接影响计数结果。YOLO-FC采用 EIOU及改进的Inner-EIOU损失函数，并确定较优辅助框缩放比例Sr = 0.6，使检测框能够更准确贴合鱼体位置，提升重叠目标的定位精度。

模型检测效果

在自建鱼类数据集上，YOLO-FC展现出良好的检测性能。其中，YOLO-FCn仅有0.3 M参数量和3.0 GFLOPs计算量，却取得了97.9%的 Precision、97.2%的Recall和98.8%的AP50。随着模型规模增大，YOLO-FCs 和YOLO-FCm的检测性能进一步提升，AP50分别达到99.1%和99.2%。

图3. 不同YOLO模型检测性能比较

与已有鱼类检测模型相比，YOLO-FC在高密度场景下实现了更高的召回率和综合检测精度，能够有效减少漏检。为了进一步验证模型的泛化能力，研究团队还将YOLO-FC应用于虾苗检测数据集。相比鱼类，虾苗体型更小、透明度更高，且更容易成团聚集，检测难度更大，YOLO-FCn仍保持了较高检测精度和召回能力，展现出良好的跨水产物种泛化性能。