基于计算机视觉的水下鱼类检测方法研究.pdf

摘要

渔业资源作为人类生存和社会经济发展的重要支柱，其有效管理和持续利用对于

提高人类生活质量具有重要意义。为全面掌握渔业资源状况，实现科学管理与合理利

用，渔业资源调查工作显得尤为重要。传统的渔业资源调查方法存在成本高、效率低

和准确性差等问题，基于计算机视觉的目标检测方法在水下鱼类检测识别具有效率高

及成本低的优势，有望成为渔业资源调查的新手段。然而，水下成像的特殊性和复杂

性，导致检测精度不高，限制其在渔业资源调查中应用。针对以上问题，本文构建了

自然水域水下鱼类数据集，在YOLOv8n基础上进行优化改进，构建了

BSSFISH-YOLOv8BSSLight-YOLOv8

和模型。通过集成上述模型，设计了简单便捷

的自然水域鱼类个体识别系统。本文的研究内容主要涵盖以下方面：

(1)针对自然水域水体浑浊造成检测精度差的问题，提出了基于改进YOLOv8n

的自然水域鱼类检测模型BSSFISH-YOLOv8。采用SPD-Conv模块替换原有的卷积

模块，减少了细粒度信息的丢失，提高了图像中低清晰度目标的检测精度。在原

YOLOv8n模型的基础上添加一个160×160小目标检测层，增强了对更小目标的敏感

度。此外，在主干网络中引入动态稀疏注意力机制BiFormer，将注意力集中在高相

关性特征上，从而减少计算和内存消耗。实验结果表明，该模型比原始模型具备更高

的检测精度。

(2)针对目标检测模型结构复杂且计算量大的问题，提出了轻量化模型

BSSLight-YOLOv8。通过在YOLOv8n基础上镶嵌Slim-Neck模块、Biformer注意力

机制以及多尺度轻量化检测头，有效地平衡了网络的性能与计算资源的消耗。该模型

与YOLOv8n相比时展示出了较大的性能优势，不仅保持了高水平的识别精度，同时

实现了快速检测，为轻量级、高效的移动设备或嵌入式系统提供了优化解决方案。

(3)开发了一套针对自然水域水下鱼类的个体检测识别系统。该系统基于PyQt5

框架进行界面设计及功能实现。具有鱼类个体识别的实时可视化展示及识别结果的导

出功能。可视化界面可显示检测鱼类种类、数量等数据，识别过程中获取的数据能够

输出为结构化的记录，如图像、视频和文本数据，便于后续分析使用。

关键词：渔业资源调查；鱼类检测；计算机视觉；YOLOv8n

II

目录

第一章绪论1

1.1研究背景及意义1

1.2国内外研究现状1

1.2.1传统的渔业资源调查方法1

1.2.2目标检测方法的发展与现状2

1.2.3鱼类目标检测的发展与现状4

1.3主要研究内容6

1.4论文结构6

第二章基于深度学习的目标检测算法7

2.1引言7

2.2two-stage7

双阶段（）目标检测算法

2.2.1R-CNN7

2.2.2SPP-net8

2.2.3FasterR-CNN8

2.3一阶段（one-stage）目标检测算法10

2.3.1OverFeat算法10

2.3.2SSD算法10

2.3.3YOLOv8算法11

2.4本章小结15

第三章基于YOLOv8n的性能改进研究16

3.1引言16

3.2实验数据集和实验设置16

3.2.1数据来源16

3.2.2数据增强17

3.2.3实验设置19

3.3评价指标20

3.4YOLOv8n模型改进方法20