Page 106 - 《水产学报》2025年第7期

黄真理，等 水产学报, 2025, 49(7): 079309

景板正上方约 3.5 m处，垂直向下拍摄，视场角 交换机、不间断电源 (UPS) 等设备，实现对相
与拍摄范围匹配。背景板材质为钢化玻璃，长× 机的供电、网络连接、视频传输存储和实时信
宽为 1.0 m×0.5 m，分成发光和不发光两种类型， 息处理。跳板机连接 USB 延长线，外置 USB
均匀性 (灰度) 达到 80% 以上，与目标鱼类体色 无线数据终端进行 4G 数据传输，支持远程访
呈现鲜明反差，以获得清晰图像。每年 5 月底 问 AI 工控机查阅下载监测数据。通过摄像机获
设备调试时，监控软件在 6 个摄像头采集的背 取裸鲤洄游时的清晰影像，并将视频流实时传
景板 ROI 上划定视频监测区 (画绿框)，使得每 输至 AI 工控机。AI 工控机获得视频流后，通
个摄像头对应的视频监测区不重叠，无缝衔接， 过研发的监测软件系统对视频流进行实时处理
如图 1-c 所示，实现对泉吉河的全断面监测。 并输出结果。

同时，利用 5 cm 黑白棋盘格放置于背景板上对 鱼群检测 (AI-Fish) 算法体系 2020 年
每台摄像机设置进行 ROI 视场调整和标定，获 4 月，Bochkovskiy 等 [18] 发布了 Yolo v4 目标检
得对应的像素分辨率。比如 2021 年的相机分辨 测算法。为了应用于鱼群检测，2021 年本研究
率标定为 3.7 mm/像素。为了不改变鱼坎高程， 对 Yolo v4 模型进行改造，在检测精度没有明
对鱼坎进行切割改造，安装 36 块 1.0 m×0.5 m 显损失的前提下提高了处理速率，本研究称为
的白色背景板形成监测平台，使平台高程与原 Yolo-Fish 模型。
鱼坎高程完全一致。摄像头为枪式，分辨率达 模型改造从三个方面着手：速度方面，对
到 1 080 P 标准 (1920×1 080)，横向视场角约为 模型进行剪枝、量化、分组卷积等操作；精度
100°，水平视场角调节范围为 50°~110°。每个 方面，引入更多的特征聚合方式、金字塔池化、
摄像头两侧 1.5 m 位置安装自适应发光二极管 模型重参数、知识蒸馏、强化学习、数据增强
(LED) 阵列补光灯，其照明发散角约为 90°，夜 等手段；特征方面，引入对鱼体三节点 (头、中、
间对 ROI 区域照明。摄像机昼夜持续工作，通 尾) 模型、辅助检测头等额外信息，加强对鱼体
过网线供电并实时传输视频流，依据 ROI 区域 位置与外形尺寸的学习能力。与典型的 Yolo 系
[19]
光强自动调节增益，保障视频流中 ROI 区域昼 列算法相比 (表 1) ，同样计算条件下实现了效
夜画面一致。在河道左岸上设置户外防水机柜， 率和精度的均衡。
安放 AI 工控机、跳板机、硬盘录像机 (NVR)、

表 1 Yolo-Fish 算法与现有各种算法在鱼群监测中的处理性能对比
Tab. 1 Comparison of Yolo-Fish algorithm's processing performance with existing algorithms
模型(FP16) 输入分辨率/像素 平均准确率AP 50 /% 单卡T4耗时/ms 单卡T4视频/路数 特点 来源
model input resolution ave. precision rate time consuming for a Tesla T4 no. video streams features reference
Yolo v4 640×384 89.8 80 6 速率慢、精度高 [18]
Yolo v5 640×384 87.1 57 8 速率慢、精度高 [19]
Yolo v7 640×384 88.7 60 8 速率慢、精度高 [19]
Yolo-fastest v2 640×384 <55 <17 >30 速率快、精度低 [19]
Yolo-Fish 640×384 87.1 17 30 兼顾速率和精度 本文

本研究开发了鱼群轨迹跟踪算法、鱼体参 在上溯或降河过程中所有目标检测框 (BBox) 矩
数量化算法和端到端鱼群参数分析框架，形成 形对角线长度取最大值，作为鱼体全长进行记
了 AI-Fish 算法体系，包括鱼体识别、目标追踪 录。实验过程中操作人员严格遵守中国水利水
和轨迹判别三个模块，如图 2 所示，其中鱼体 电科学研究院动物实验伦理审查委员会实验动
识别模块利用 Yolo-Fish 算法的深度神经网络模 物伦理规范，并按照中国水利水电科学研究院
型实时识别所有鱼群个体。目标追踪模块利用 动物实验伦理委员会制定的规章制度执行。
跨帧图像匹配技术实时跟踪，获得裸鲤个体的 要实现人工智能技术应用于河流大断面野
运动轨迹。轨迹判别模块利用获取的目标轨迹 外场景，需要解决多路视频图像处理的技术难
与 ROI 区域几何边界的逻辑关系，确定鱼体是 题，即实时性。为此，本研究在对 Yolo-Fish 轻
否形成有效“上溯”或“降河”，测量和统计个体 量化改造的基础上，对端到端运算精度进行合

https://www.china-fishery.cn 中国水产学会主办 sponsored by China Society of Fisheries
4