魚(yú)病實(shí)時(shí)檢測(cè)系統(tǒng)的研制與試驗(yàn)

楊霄　王朕　趙偉　徐晶　文玲梅　徐敏

摘要：為實(shí)現(xiàn)集約化水產(chǎn)養(yǎng)殖中的魚(yú)類因病毒細(xì)菌等感染體表病癥的快速、準(zhǔn)確識(shí)別，幫助養(yǎng)殖戶快速了解養(yǎng)殖池內(nèi)的魚(yú)病危害程度和分布情況，基于改進(jìn)的YOLOv5結(jié)合嵌入式技術(shù)設(shè)計(jì)一套魚(yú)病的快速檢測(cè)系統(tǒng)。使用改進(jìn)過(guò)的YOLOv5神經(jīng)網(wǎng)絡(luò)模型生成魚(yú)病的候選框，實(shí)現(xiàn)對(duì)魚(yú)病的快速定級(jí)分類。檢測(cè)系統(tǒng)根據(jù)候選框的數(shù)據(jù)對(duì)魚(yú)病進(jìn)行計(jì)數(shù)、分類，魚(yú)病危害分類按正常、輕度、重度劃分，結(jié)合患病魚(yú)數(shù)形成對(duì)魚(yú)病危害程度定量化測(cè)評(píng)的體系，最后引入GPRS模塊獲取檢測(cè)點(diǎn)的位置信息，在軟件端形成魚(yú)病的熱力圖。模型測(cè)試結(jié)果表明：改進(jìn)后的YOLOv5模型檢測(cè)精準(zhǔn)率為99.75％，召回率為93.21%，測(cè)試模型mAP50、mAP50：95對(duì)比原YOLOv5模型在幀數(shù)輕微下降3.22幀的情況下AP達(dá)到99.38%、88.09%，表明其擁有出色性能，改進(jìn)后模型內(nèi)存下降至13.6 MB。改進(jìn)后YOLOv5模型體積更小，性能優(yōu)越穩(wěn)定強(qiáng)，適宜部署在魚(yú)病檢測(cè)嵌入式系統(tǒng)中。系統(tǒng)整體測(cè)試結(jié)果表明：系統(tǒng)能夠?qū)崟r(shí)的檢測(cè)魚(yú)病的發(fā)生，檢測(cè)時(shí)系統(tǒng)能按正常，輕度，重度劃分魚(yú)病，并將魚(yú)病的情況結(jié)合定位系統(tǒng)形成可視化的熱力圖像。

關(guān)鍵詞：魚(yú)病檢測(cè)；YOLOv5；圖像處理；特征提取；信息服務(wù)

中圖分類號(hào)：S951.2文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：20955553 （2023） 11013008

Development and testing of real-time detection system for fish diseases

Yang Xiao Wang Zhen Zhao Wei Xu Jing Wen Lingmei Xu Min

（1. Xianning Academy of Agricultural Sciences， Xianning， 437000， China； 2. Nanjing Institute of

Agricultural Mechanization， Ministry of Agriculture and Rural Affairs， Nanjing， 210014， China）

Abstract：In order to realize the rapid and accurate identification of surface diseases of fish infected by viruses and bacteria in intensive aquaculture， and help farmers quickly understand the damage degree and distribution of fish diseases in the aquaculture tank， a set of rapid detection system for fish diseases was designed based on the improved YOLOv5 combined with embedded technology. The improved YOLOv5 neural network model was used to generate the candidate boxes of fish diseases and realize the rapid classification of fish diseases. The detection system counted and classified fish diseases according to the data in the candidate box. The classification of fish disease hazards was divided into normal， mild and severe， and a quantitative evaluation system for the degree of fish disease hazards was formed by combining the number of fish with the number of sick fish. Finally， GPRS module was introduced to obtain the location information of detection points and form a heat map of fish diseases at the software end. Model test results showed that the detection accuracy of the improved YOLOv5 model was 99.75%， and the recall rate was 93.21%. Test models mAP50 and mAP50： 95 compared with the original YOLOv5 model， the AP reached 99.38% and 88.09% in the case of a slight decrease in FPS of 3.22 frames， indicating excellent performance， and the memory of the improved model was reduced to 13.6 MB. The improved YOLOv5 model had smaller size， superior performance and strong stability， and was suitable for deployment in the embedded system of fish disease detection. The overall test results of the system show that the system can detect the occurrence of fish disease in real time， and the system can classify the fish disease according to normal， mild and severe， and combine the situation of fish disease with the positioning system to form a visual thermal image.

Keywords：fish disease detection; YOLOv5; picture processing; feature extraction; information service

0引言

我國(guó)是世界第一大淡水產(chǎn)品生產(chǎn)國(guó)和消費(fèi)國(guó)。伴隨國(guó)家環(huán)保政策的收緊和長(zhǎng)江十年禁漁計(jì)劃的出臺(tái)，集約化養(yǎng)殖模式正在快速替代傳統(tǒng)的河湖水網(wǎng)養(yǎng)殖［12］。在集約化養(yǎng)殖模式下高密度放養(yǎng)、頻繁投飼，不可避免會(huì)面臨病毒、細(xì)菌、真菌的過(guò)量繁殖及氮、磷等積累問(wèn)題，特別是氨氮、亞硝態(tài)氮濃度提升使養(yǎng)殖的魚(yú)類更容易感染各類疾病。細(xì)菌性魚(yú)病作為主要的病害之一，對(duì)漁業(yè)生產(chǎn)的危害廣泛、持續(xù)時(shí)間長(zhǎng)，處理不及時(shí)往往伴隨巨大經(jīng)濟(jì)損失［34］。例如鏈球菌、諾卡氏菌等會(huì)造成魚(yú)類眼部充血發(fā)炎、魚(yú)體潰爛等［5］。目前魚(yú)類疾病檢測(cè)主要依靠人工，然而光由空氣進(jìn)入水體會(huì)發(fā)生折射，人眼很難檢測(cè)魚(yú)群的健康狀況，造成未能及時(shí)給藥或調(diào)整養(yǎng)殖方案，錯(cuò)過(guò)最佳治療期。為了解決上述漁業(yè)生產(chǎn)中的問(wèn)題，建立一套快速的實(shí)時(shí)魚(yú)病檢測(cè)系統(tǒng)，對(duì)于魚(yú)類的養(yǎng)殖具有十分重要的意義。

傳統(tǒng)的魚(yú)病檢測(cè)需通過(guò)，過(guò)水取樣，或者魚(yú)群大面積的病例反應(yīng)才能及時(shí)發(fā)現(xiàn)。存在不及時(shí)，工作量大、效率低等問(wèn)題。隨著數(shù)字農(nóng)業(yè)的發(fā)展圖像處理技術(shù)在農(nóng)業(yè)上的應(yīng)用［68］，已經(jīng)引起了廣大研究者的關(guān)注與重視，也得到了越來(lái)越多人的認(rèn)可。冼遠(yuǎn)清［9］針對(duì)細(xì)菌病魚(yú)類的性狀表現(xiàn)，基于YOLOv3設(shè)計(jì)了一種魚(yú)病識(shí)別的方法，平均準(zhǔn)確率均值較其他檢測(cè)方法均提高了3.11%以上；徐競(jìng)翔等［10］利用YOLOv5網(wǎng)絡(luò)檢測(cè)水產(chǎn)養(yǎng)殖細(xì)菌性魚(yú)病病原細(xì)菌，最終能夠檢測(cè)出一些較小的細(xì)菌目標(biāo)，識(shí)別準(zhǔn)確率達(dá)到69.19%；上述基于不同的圖像模型均只停留在模型的構(gòu)建方面，還未具體應(yīng)用到實(shí)際中。王林惠等［11］基于Faster-RCNN神經(jīng)網(wǎng)絡(luò)，設(shè)計(jì)實(shí)現(xiàn)一套便攜式柑橘蟲(chóng)害的實(shí)施檢測(cè)系統(tǒng)，但在魚(yú)病實(shí)時(shí)檢測(cè)領(lǐng)域相關(guān)研究成果不多。

針對(duì)以上問(wèn)題，結(jié)合現(xiàn)有的研究成果，以魚(yú)病為研究對(duì)象，在集約化養(yǎng)殖的魚(yú)池中的觀測(cè)魚(yú)類，提取魚(yú)病的相關(guān)圖像信息。通過(guò)借助放置于養(yǎng)殖池的高清攝像機(jī)，實(shí)時(shí)抓拍魚(yú)類的生物特征，結(jié)合YOLO神經(jīng)網(wǎng)絡(luò)和嵌入式物聯(lián)網(wǎng)技術(shù)在線檢測(cè)［12］，研究基于魚(yú)的生理性狀圖像信息的便攜式魚(yú)病實(shí)時(shí)檢測(cè)儀，對(duì)魚(yú)病的嚴(yán)重程度劃分，實(shí)現(xiàn)魚(yú)病可視化顯示，并上傳至云端進(jìn)行大數(shù)據(jù)綜合分析。

1材料與方法

1.1系統(tǒng)總體設(shè)計(jì)

系統(tǒng)總體設(shè)計(jì)運(yùn)用，農(nóng)業(yè)物聯(lián)網(wǎng)設(shè)計(jì)思維，系統(tǒng)有三個(gè)部分組成，感知層、網(wǎng)絡(luò)層和應(yīng)用層，結(jié)構(gòu)圖如圖1所示，感知層主要是魚(yú)病檢測(cè)儀，負(fù)責(zé)對(duì)魚(yú)病的圖像數(shù)據(jù)的采集和處理，網(wǎng)絡(luò)層為云服務(wù)器，使用云服務(wù)器和用戶之間進(jìn)行編碼，認(rèn)證和傳輸；應(yīng)用層主要提供魚(yú)病發(fā)生位置，實(shí)時(shí)情況及危害程度。三層緊密協(xié)作，分工明晰，構(gòu)建一個(gè)完整的魚(yú)病實(shí)時(shí)檢測(cè)系統(tǒng)，最后實(shí)現(xiàn)對(duì)魚(yú)病的地圖級(jí)直觀顯示效果。

系統(tǒng)硬件采用模塊化設(shè)計(jì)，檢測(cè)儀包含處理器、GPU、高清攝像頭（分辨率：支持1 280像素×960像素）、GPS/BD雙模定位、4G通訊模塊以及顯示模塊。其中處理器選用RK3399Pro，GPU采用Mali-T864。實(shí)物為固定機(jī)位，攝像頭放置于集中圈養(yǎng)池50cm水位，另外攝像頭做防水處理，避免進(jìn)水。

檢測(cè)儀工作流程如圖2所示，通過(guò)水下攝像頭實(shí)時(shí)采集水下魚(yú)類圖像信息，經(jīng)過(guò)預(yù)處理，利用已經(jīng)內(nèi)嵌入改進(jìn)的YOLOv5模型檢測(cè)儀（算力來(lái)源Mali-T864）處理水下圖像信息識(shí)別魚(yú)病，對(duì)有魚(yú)病的圖像，進(jìn)行特征提取和分級(jí)。再通過(guò)定位模塊識(shí)別獲取位置信息，和魚(yú)病等級(jí)一并顯示。最后通過(guò)無(wú)線網(wǎng)絡(luò)將檢測(cè)信息傳送至服務(wù)器，為系統(tǒng)使用者數(shù)據(jù)支持，方便對(duì)魚(yú)病趨勢(shì)進(jìn)行預(yù)測(cè)，更方便對(duì)圈養(yǎng)魚(yú)魚(yú)病的發(fā)生進(jìn)行整體的管控和預(yù)防。

1.2基于YOLOv5的魚(yú)病識(shí)別模型改進(jìn)訓(xùn)練

YOLO是一種快速緊湊的開(kāi)源對(duì)象檢測(cè)模型［13］，與其他網(wǎng)絡(luò)相比，同等尺寸下性能更強(qiáng)，并且具有很不錯(cuò)的穩(wěn)定性，是一個(gè)可以預(yù)測(cè)對(duì)象的類別和邊界框的端對(duì)端神經(jīng)網(wǎng)絡(luò)。YOLO家族一直有著旺盛的生命力，從YOLOv1一直到v5，如今已經(jīng)延續(xù)五代，憑借著不斷地創(chuàng)新和完善，一直被計(jì)算機(jī)視覺(jué)工程師作為對(duì)象檢測(cè)的首選框架之一。在農(nóng)業(yè)信息處理方面也有廣泛應(yīng)用［1417］，因次本文選用改進(jìn)的YOLOv5作為魚(yú)病檢測(cè)模型。

YOLOv5沿用了YOLO系列的整體布局，工作原理分為三步首先對(duì)圖片進(jìn)行縮放處理（Resize），經(jīng)過(guò)卷積網(wǎng)絡(luò)（Run convolution net work），最后進(jìn)行非極大抑制（Non-max suppression），輸出檢測(cè)結(jié)果。其核心思想是將特征圖劃分為S×S的格子（grid cells），得到邊界框加置信度得分（Bounding boxes and cofidence），以及類別概率圖（Class probability map），最后結(jié)合這兩者得到最終的檢測(cè)結(jié)果（Final detections）。對(duì)比Yolo3/Yolo4而言Yolo5的Backbone部分在YOLOv4-tiny基礎(chǔ)上增加了Focus結(jié)構(gòu)和CSPNet（Cross stage partial networks）結(jié)構(gòu)，實(shí)現(xiàn)了跨階段局部融合網(wǎng)絡(luò)。可以進(jìn)行跨層預(yù)測(cè)，既有些bbox在多個(gè)預(yù)測(cè)層都算正樣本，匹配的范圍可以是3～9個(gè)。整個(gè)網(wǎng)絡(luò)結(jié)構(gòu)分成Backbone，Neck和Head三個(gè)部分，采用Mosaic數(shù)據(jù)增強(qiáng)方式，可自動(dòng)計(jì)算數(shù)據(jù)集的最佳錨框值。網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

1.2.1數(shù)據(jù)采集

魚(yú)類圖像數(shù)據(jù)采集于湖北省咸寧市楊畈農(nóng)業(yè)高新技術(shù)研發(fā)試驗(yàn)區(qū)內(nèi)水產(chǎn)養(yǎng)殖基地，養(yǎng)殖模式為圈養(yǎng)桶集約化養(yǎng)殖，拍攝場(chǎng)景如圖4所示，采集設(shè)備為GO por8型運(yùn)動(dòng)相機(jī)，其二維RGB圖像分辨率為5 650像素×4 238像素，焦距為2mm，曝光時(shí)間為1/200s。為降低由訓(xùn)練樣本多樣性不足導(dǎo)致網(wǎng)絡(luò)模型過(guò)擬合的概率，采集時(shí)分強(qiáng)光和弱光，強(qiáng)光、弱光分別為當(dāng)天水下光照強(qiáng)度500～1 000lux和50～500lux進(jìn)行區(qū)分，強(qiáng)光、弱光情況下各采集水體上、中、下600mm、1200mm、1800mm三個(gè)深度的魚(yú)類特征圖像。為了增加樣本的多樣性，圖像樣本中包含彩虹鯛和加州鱸2種魚(yú)類，包含魚(yú)類密度、生長(zhǎng)階段、氣溫及水質(zhì)不同的情況，還包含強(qiáng)光、弱光等光照情況。為獲取準(zhǔn)確的數(shù)據(jù)參數(shù)，還需要對(duì)圖像進(jìn)行人工標(biāo)注，標(biāo)注時(shí)將魚(yú)類的最小外接矩形框作為真實(shí)框（Ground truth），以區(qū)分各類魚(yú)病及患病嚴(yán)重程度。

由于圈養(yǎng)桶環(huán)境下周圍布置了各種電子元器件，同時(shí)水下微環(huán)境復(fù)雜，這對(duì)圖片生成傳輸產(chǎn)生影響，從而導(dǎo)致圖片質(zhì)量不佳。為提高后期魚(yú)類患病情況識(shí)別效率，需要對(duì)圖片進(jìn)行降噪處理。分析圖片噪聲可知，概率密度函數(shù)服從高斯分布（即正態(tài)分布），常見(jiàn)的處理方法為高斯濾波或雙邊濾波來(lái)去除圖片噪聲。高斯濾波在低通濾波算法中有不錯(cuò)的表現(xiàn)，但是其卻有另外一個(gè)問(wèn)題，那就是只考慮了像素間的空間位置上的關(guān)系，因此濾波的結(jié)果會(huì)丟失邊緣的信息。這里的邊緣主要是指圖像中主要的不同顏色區(qū)域（水的渾濁程度，彩虹鯛個(gè)體體色等），而雙邊濾波就是在高斯濾波中加入了另外的一個(gè)權(quán)重分部來(lái)解決這一問(wèn)題。雙邊濾波中對(duì)于邊緣的保持通過(guò)式（1）、式（2）來(lái)實(shí)現(xiàn)。

通過(guò)人工對(duì)7月1日至10月31日所攝照片進(jìn)行檢查，將質(zhì)量不高的無(wú)效照片刪除，得到圖像23 302 幅，其中彩虹鯛照片11 905幅，加州鱸照片12 223幅。由于是有一定時(shí)間跨度的水下拍攝，隨著天氣及圈養(yǎng)桶內(nèi)環(huán)境變化，魚(yú)類活動(dòng)的姿態(tài)各異、有著水質(zhì)渾濁現(xiàn)象，這一現(xiàn)象可以類比為在霧霾空氣中拍攝導(dǎo)致圖像特征不明顯，影響圖片質(zhì)量。因此，需要對(duì)采集樣本使用暗道去霧方法進(jìn)行處理，如圖5所示暗道去霧效果，使照片顏色飽和，亮度提高，有利于對(duì)魚(yú)類體表病變特征識(shí)別。

1.2.2訓(xùn)練模型改進(jìn)

模型有如下三點(diǎn)改進(jìn)。

1）? 為了能夠讓推導(dǎo)的算法減少內(nèi)存消耗和計(jì)算瓶頸，利于魚(yú)類健康監(jiān)控算法形成后的工業(yè)化部署，采用C3組建代替原YOLOv5模型CSPNet組建，如圖6所示，C3組件相比CSPNet組件，結(jié)構(gòu)更加簡(jiǎn)單，本質(zhì)上與CSPNet組件效果類似，只是刪除了標(biāo)準(zhǔn)CSPNet組件在殘差連接之后的一次卷積操作，直接和輸入圖經(jīng)過(guò)一次卷積操作的另一分支進(jìn)行拼接。Focus結(jié)構(gòu)共包含4次切片操作和1次32個(gè)卷積核的卷積操作，切片操作將1幅圖像中每隔1個(gè)像素取1個(gè)值，類似于近鄰下采樣，得到4幅圖像，但是4幅圖像的信息并沒(méi)有丟失，而是原圖像寬度W、高度H信息集中到了通道空間，輸入通道擴(kuò)充了4倍，即拼接圖像相對(duì)于原RGB 3通道模式變成了12個(gè)通道。然后將新得到的圖像進(jìn)行卷積操作，原始608×608×3的圖像變成信息完整的2倍304×304×12的特征圖，從高分辨率圖像中，周期性的抽出像素點(diǎn)重構(gòu)到低分辨率圖像中，即將圖像相鄰的四個(gè)位置進(jìn)行堆疊，提高每個(gè)點(diǎn)接收維度，并減少原始信息的丟失。這個(gè)組件可以減少計(jì)算量，增加速度。C3結(jié)構(gòu)仿照DenseNet的密集跨層跳層連接思想，進(jìn)行局部跨層融合，利用不同層的特征信息獲得更為豐富的特征圖。Neck部分包含了路徑聚合網(wǎng)絡(luò)（Path aggregation network， PANet）和空間金字塔池化（Space pyramid pooling， SPP）模塊。自頂向下將高層特征信息與不同層C3模塊的輸出特征進(jìn)行聚合，再通過(guò)自底向上路徑聚合結(jié)構(gòu)聚合淺層特征，從而充分融合不同層的圖像特征。SPP模塊采用1×1、5×5、9×9、13×13這4種不同的池化核進(jìn)行處理，處理后再進(jìn)行張量拼接。SPP處理可有效增加接收維度，分離出顯著特征，同時(shí)不損失原有檢測(cè)速度。輸出層使用GIOU_Loss代替YOLOv3的IOU_Loss作為損失函數(shù)，增加了相交尺度的衡量，緩解了IOU_Loss無(wú)法優(yōu)化2個(gè)框不相交的情況。

2） 由于魚(yú)類活動(dòng)照片是在水下拍攝的，拍攝場(chǎng)景隨著水質(zhì)、光照和魚(yú)群情況的變化而變化，導(dǎo)致拍攝的魚(yú)的特征照片的變化和模糊，由于這種特殊的應(yīng)用場(chǎng)景原始的YOLOv5主干網(wǎng)絡(luò)很難準(zhǔn)確提取清晰的特征。為了減少水下復(fù)雜性的影響，本研究提高了網(wǎng)絡(luò)的泛化能力通過(guò)擴(kuò)大訓(xùn)練樣本和替換所有3×3卷積內(nèi)核骨干網(wǎng)絡(luò)卷積核組（Conv KG）提高網(wǎng)絡(luò)的獲取魚(yú)表面特征的能力。Conv組由三個(gè)平行3×3，1×3和3×1卷積內(nèi)核，卷積輸入圖像在相同的步驟產(chǎn)生特征地圖的相同大小和數(shù)量的通道，分別和相應(yīng)的特征地圖求和得到輸出特性如圖7所示。

3）? 由于水下環(huán)境的變化和魚(yú)類照片中魚(yú)的數(shù)量的較大變化，干擾了原來(lái)的YOLOv5檢測(cè)算法，本研究將注意機(jī)制模塊——卷積塊注意模塊（CBAM）添加到Y(jié)OLOv5網(wǎng)絡(luò)中。如圖8所示，CBAM是一個(gè)簡(jiǎn)單但有效的前饋卷積神經(jīng)網(wǎng)絡(luò)注意模塊，它結(jié)合了通道注意模塊（CAM）和空間注意模塊（SAM）。給定一個(gè)中間特征圖，我們的模塊沿著通道和空間這兩個(gè)獨(dú)立的維度依次推斷出一幅圖像的注意力，然后將注意圖乘以輸入的特征圖進(jìn)行自適應(yīng)特征細(xì)化。因?yàn)镃BAM是一個(gè)輕量級(jí)的通用模塊，所以它無(wú)縫集成到任何卷積神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)中，且影響可以忽略不計(jì)，并且可以使用底層的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行端到端訓(xùn)練。

輸入特征，然后經(jīng)過(guò)通道注意模塊的一維卷積，將卷積結(jié)果乘以原始圖像，通道注意模塊輸出作為空間注意模塊二維卷積的輸入，輸出乘以原始圖像作為自適應(yīng)特征。通道關(guān)注模塊主要檢測(cè)魚(yú)的輪廓特征，得到檢測(cè)目標(biāo)的主要內(nèi)容。其計(jì)算公式如式（6）所示。

引入空間注意模塊是為了進(jìn)一步提高目標(biāo)魚(yú)的檢測(cè)精準(zhǔn)率，主要提取輸入圖像中目標(biāo)的位置信息，與通道注意力模塊相互補(bǔ)充，并準(zhǔn)確定位目標(biāo)魚(yú)的位置。其計(jì)算公式如式（7）所示。

1.2.3模型訓(xùn)練環(huán)境

1.2.4模型評(píng)價(jià)指標(biāo)

本研究采用精準(zhǔn)率（Precision）、召回率（Recall）和平均精準(zhǔn)率（Average Precision，AP）作為特征網(wǎng)絡(luò)性能的評(píng)價(jià)指標(biāo)。精準(zhǔn)率是在所有預(yù)測(cè)患病的樣本中預(yù)測(cè)實(shí)際患病魚(yú)的概率，它代表了正樣本預(yù)測(cè)結(jié)果的精準(zhǔn)率，召回是在實(shí)際患病魚(yú)樣本中被預(yù)測(cè)為患病魚(yú)的概率，它代表了總體預(yù)測(cè)精準(zhǔn)率，其計(jì)算方法如式（8）、式（9）所示。

2.2結(jié)果與分析

2.2.1魚(yú)病識(shí)別模型訓(xùn)練結(jié)果分析

選取兩種魚(yú)病的訓(xùn)練集和驗(yàn)證集樣本數(shù)據(jù)訓(xùn)練475次，模型的訓(xùn)練結(jié)果如圖9所示。

經(jīng)過(guò)475次時(shí)代后，損失值降至0.027。神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率為99.75%，召回率為99.31%，平均精準(zhǔn)率50為99.38%。從訓(xùn)練結(jié)果來(lái)看，該模型具有較高的收斂性、校驗(yàn)率以及低損失值。

2.2.2主流網(wǎng)絡(luò)模型對(duì)比分析

為驗(yàn)證改進(jìn)后的模型性能，提出的特征提取神經(jīng)網(wǎng)絡(luò)與主流目標(biāo)檢測(cè)模型SSD，F(xiàn)aster-R CNN，YOLOv3和YOLOv4，對(duì)比所占內(nèi)存、FPS、召回率、精準(zhǔn)率、mAP50、mAP50：95用于評(píng)估和比較主流檢測(cè)模型。實(shí)驗(yàn)?zāi)Ｐ蛥?shù)見(jiàn)表1。

由表2分析可知，IOU=0.5時(shí)，改進(jìn)后模型（DFYOLO）召回率為99.31%，比原YOLOv5模型高5.55%，比原YOLOV4模型高5.47%，比原YOLOv3算法高13.19%；計(jì)算mAP50：95時(shí)精準(zhǔn)率達(dá)到88.09%，比原YOLOV5算法高9.56%；模型內(nèi)存減少0.9MB；在保證檢測(cè)精準(zhǔn)率高的同時(shí)，模型的幀數(shù)沒(méi)有明顯下降。YOLOv5算法模型比其他主流目標(biāo)檢測(cè)網(wǎng)絡(luò)模型具有更好的檢測(cè)性能，與原來(lái)的YOLOv5模型相比，改進(jìn)后的模型在魚(yú)病特征提取方面具有較高的性能，且占用較少的內(nèi)存，便于部署在嵌入式系統(tǒng)中。

2.2.3魚(yú)病分布可視化熱力圖測(cè)試分析

軟件前段采用前端采用elements-ui編寫(xiě)，使用vue.js框架，接入百度地圖，根據(jù)數(shù)據(jù)產(chǎn)生顏色差異的以熱力圖直觀的表現(xiàn)魚(yú)病情況；后端數(shù)據(jù)庫(kù)采用MySQL，租用阿里云服務(wù)器作為魚(yú)病數(shù)據(jù)庫(kù)。魚(yú)病檢測(cè)頁(yè)面設(shè)計(jì)包含控制器、熱力圖顯示、數(shù)據(jù)三個(gè)模塊。整個(gè)系統(tǒng)兼具拓展功能，可添加其他農(nóng)業(yè)物聯(lián)網(wǎng)設(shè)備形成農(nóng)業(yè)物聯(lián)網(wǎng)控制集群。

魚(yú)病的管理軟件中數(shù)據(jù)模塊采集內(nèi)容包含桶的編號(hào)、地理位置、危害程度以及實(shí)時(shí)的圖片等。魚(yú)病檢測(cè)儀實(shí)時(shí)的采集和處理相關(guān)魚(yú)病的數(shù)據(jù)，通過(guò)無(wú)線網(wǎng)絡(luò)傳輸至云服務(wù)器。用戶通過(guò)網(wǎng)頁(yè)客戶端登錄系統(tǒng)查看魚(yú)病信息。其中將每一個(gè)桶內(nèi)檢測(cè)的魚(yú)病等級(jí)和患病魚(yú)的數(shù)量乘積算作熱力值，并在客戶端界面實(shí)現(xiàn)地圖級(jí)的現(xiàn)實(shí)效果。如圖10所示為咸寧市楊畈農(nóng)業(yè)高新技術(shù)示范區(qū)內(nèi)的魚(yú)池魚(yú)病熱力圖。具體熱力值的計(jì)算是將單個(gè)檢測(cè)儀在單位時(shí)間內(nèi)采樣到的魚(yú)病總數(shù)作為熱力值，這是為了防治在集中圈養(yǎng)的形式下魚(yú)病檢測(cè)無(wú)限累計(jì)。軟件設(shè)計(jì)取1h內(nèi)的數(shù)據(jù)顯示，結(jié)果顯示魚(yú)病能真實(shí)有效地在軟件客戶端實(shí)現(xiàn)地圖級(jí)熱力值顯示。為了能快速了解養(yǎng)殖池內(nèi)情況，同時(shí)也可驗(yàn)證魚(yú)病系統(tǒng)魯棒性。魚(yú)病檢測(cè)儀設(shè)置每10min拍攝1次水下圖像傳輸至與服務(wù)器，通過(guò)登錄系統(tǒng)可以在線查看。這些功能的實(shí)現(xiàn)為魚(yú)病防治作業(yè)提供精準(zhǔn)化的指導(dǎo)服務(wù)。

3結(jié)論

本文以集約化養(yǎng)殖環(huán)境下的魚(yú)為研究對(duì)象，設(shè)計(jì)出一套基于改進(jìn)后YOLOv5深度卷積神經(jīng)網(wǎng)絡(luò)的魚(yú)病實(shí)時(shí)檢測(cè)系統(tǒng)。通過(guò)驗(yàn)證系統(tǒng)的功能性，得出結(jié)論如下。

1）? 通過(guò)對(duì)比YOLOv3，YOLOv4，YOLOv5，SSD，F(xiàn)aster-RCNN的訓(xùn)練參數(shù)對(duì)比，驗(yàn)證了改進(jìn)后的YOLOv5算法的作為魚(yú)病檢測(cè)神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)，相比于其他算法，精準(zhǔn)率和召回率達(dá)到99.75％和99.31％，測(cè)試mAP50、mAP50：95對(duì)比原YOLOv5模型幀數(shù)輕微下降3.22幀的情況下分別達(dá)到99.38％和88.09％，同時(shí)模型參數(shù)量減少至13.6 M。表明改進(jìn)后YOLOv5是一種適合在魚(yú)病檢測(cè)嵌入式系統(tǒng)中運(yùn)行的神經(jīng)網(wǎng)絡(luò)，具有優(yōu)越的性能和可靠性。

2）? 利用改進(jìn)的YOLOv5神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了對(duì)集中圈養(yǎng)下彩虹鯛、加州鱸細(xì)菌性魚(yú)病的識(shí)別，布置的模型實(shí)時(shí)幀數(shù)均值達(dá)到93.21，系統(tǒng)根據(jù)目標(biāo)圖像實(shí)時(shí)計(jì)算魚(yú)病危害程度，按正常、輕度、重度劃分，形成魚(yú)病識(shí)別定量化的測(cè)評(píng)體系。

3）? 利用衛(wèi)星定位模塊獲取檢測(cè)儀的位置信息，結(jié)合魚(yú)病等級(jí)和患病魚(yú)的數(shù)量信息，并將這些信息進(jìn)行可視化處理，生成了熱力圖像。圖像可以幫助快速獲取魚(yú)病情況，實(shí)現(xiàn)智能化養(yǎng)魚(yú)，這些技術(shù)手段可以為魚(yú)類疾病的診斷和治療提供精準(zhǔn)的信息服務(wù)，進(jìn)而提高魚(yú)類健康水平。

參考文獻(xiàn)

［1］何緒剛， 侯杰. 池塘圈養(yǎng)模式研究進(jìn)展［J］. 華中農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2021， 40（3）： 21-29.He Xugang， Hou Jie. Research progress on pond Juanyang mode ［J］. Journal of Huazhong Agricultural University 2021， 40（3）： 21-29.

［1］陳邦勛， 李書(shū)民. 中國(guó)漁業(yè)年鑒［M］. 北京： 中國(guó)農(nóng)業(yè)出版社， 2019.

［2］Ai L， Ma B， Shao S， et al. Heavy metals in Chinese freshwater fish： Levels， regional distribution， sources and health risk assessment ［J］. Science of the Total Environment， 2022， 853： 158455.

［3］Boyd C E， DAbramo L R， Glencross B D， et al. Achieving sustainable aquaculture： Historical and current perspectives and future needs and challenges ［J］. Journal of the World Aquaculture Society， 2020， 51（3）： 578-633.

［4］Assefa A， Abunna F. Maintenance of fish health in aquaculture： review of epidemiological approaches for prevention and control of infectious disease of fish ［J］. Veterinary Medicine International， 2018， 2018.

［6］潘彩霞， 薛佳妮， 于輝輝， 等. 基于本體的魚(yú)病診斷專家系統(tǒng)的構(gòu)建［J］. 廣東農(nóng)業(yè)科學(xué)， 2015， 42（1）： 157-160.Pan Caixia， Xue Jiani， Yu Huihui， et al. Establishment of fish disease diagnosis expert system based on ontology ［J］. Guangdong Agricultural Sciences， 2015， 42（1）： 157-160.

［5］胡根生， 吳繼甜， 鮑文霞， 等. 基于改進(jìn)YOLOv5網(wǎng)絡(luò)的復(fù)雜背景圖像中茶尺蠖檢測(cè)［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2021， 37（21）： 191-198.Hu Gensheng， Wu Jitian， Bao Wenxia， et al.Detection of Ectropis oblique in complex background images using improved YOLOv5 ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（21）： 191-198.

［6］Hu X， Liu Y， Zhao Z， et al. Real-time detection of uneaten feed pellets in underwater images for aquaculture using an improved YOLO-V4 network ［J］. Computers and Electronics in Agriculture， 2021， 185： 106135.

［7］蘇斐， 張澤旭， 趙妍平， 等. 基于輕量化 YOLO-v3的綠熟期番茄檢測(cè)方法［J］. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2022， 43（3）： 132-137.Su Fei， Zhang Zexu， Zhao Yanping， et al. Detection of mature green tomato based on lightweight YOLO-v3 ［J］. Journal of Chinese Agricultural Mechanization， 2022， 43（3）： 132-137.

［8］王菁， 范曉飛， 趙智慧， 等. 基于YOLO算法的不同品種棗自然環(huán)境下成熟度識(shí)別［J］. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2022， 43（11）： 165-171.Wang Jing， Fan Xiaofei， Zhao Zhihui， et al. Maturity identification of different jujube varieties under natural environment based on YOLO algorithm ［J］. Journal of Chinese Agricultural Mechanization， 2022， 43（11）： 165-171.

［9］冼清遠(yuǎn). 改進(jìn)的YOLOv3常見(jiàn)魚(yú)病檢測(cè)算法［J］. 福建電腦， 2022， 38（7）： 11-14.Xian Yuanqing. Improved YOLOv3 algorithm for common fish disease detection ［J］. Journal of Fujian Computer， 2022， 38（7）： 11-14.

［10］許競(jìng)翔， 歐陽(yáng)建， 邱懿， 等. 基于改進(jìn)YOLOv5的水產(chǎn)養(yǎng)殖細(xì)菌性魚(yú)病病原細(xì)菌檢測(cè)算法［J］. 漁業(yè)現(xiàn)代化， 2022， 49（2）： 60-67.Xu Jingxiang， Ouyang Jian， Qiu Yi， et al. Detection algorithm of pathogenic bacteria of aquaculture bacterial fish disease based on improved YOLOv5 ［J］. Fishery Modernization， 2022， 49（2）： 60-67.

［11］王林惠， 蘭玉彬， 劉志壯， 等. 便攜式柑橘蟲(chóng)害實(shí)時(shí)檢測(cè)系統(tǒng)的研制與試驗(yàn)［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2021， 37（9）： 282-288.Wang Linhui， Lan Yubin， Liu Zhizhuang， et al. Development and experiment of the portable real-time detection system for citrus pests ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（9）： 282-288.

［12］李震， 洪添勝， 王建， 等. 柑橘全爪螨蟲(chóng)害快速檢測(cè)儀的研制與試驗(yàn)［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2014， 30（14）： 49-56.Li Zhen， Hong Tiansheng， Wang Jian， et al. Development and experiment of Panonychus citri infestation fast detector ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2014， 30（14）： 49-56.

［13］LeCun Y， Bengio Y， Hinton G. Deep learning ［J］. Nature， 2015， 521（7553）： 436-444.

［14］Li X， Wang W， Hu X， et al. Selective kernel networks ［C］. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition， 2019： 510-519.

［15］張博， 張苗輝， 陳運(yùn)忠. 基于空間金字塔池化和深度卷積神經(jīng)網(wǎng)絡(luò)的作物害蟲(chóng)識(shí)別［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2019， 35（19）： 209-215.Zhang Bo， Zhang Miaohui， Chen Yunzhong， et al. Crop pest identification based on spatial pyramid pooling and deep convolution neural network ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2019， 35（19）： 209-215.

［16］Tian Y， Yang G， Wang Z， et al. Apple detection during different growth stages in orchards using the improved YOLO-V3 model ［J］. Computers and Electronics in Agriculture， 2019， 157： 417-426.

［17］Shi R， Li T， Yamaguchi Y. An attribution-based pruning method for real-time mango detection with YOLO network ［J］. Computers and Electronics in Agriculture， 2020， 169： 105214.