基于图像增强的鱼类识别轻量化监测方法研究OA

针对水域水下浑浊、环境复杂、图像退化严重,提出了一种轻量级鱼类识别与跟踪监测方法。搭建不同水质与光照条件下的拍摄平台,模拟清水-浑水、昼-夜4种典型场景,采集鲫鱼、鲤鱼、草鱼常见鱼类图像与视频样本,构建多场景鱼类数据集;采用轻量级水下图像增强算法FA+Net对原始图像进行颜色校正和细节恢复,改善亮度与对比度;构建改进YOLOv11n-DCGA检测模型,引入DualConv双卷积结构降低模型参数量,并结合C3k2_GSA注意力机制强化特征提取能力;结合ByteTrack多目标跟踪算法,实现鱼类目标的稳定识别与轨迹跟踪。结果显示:FA+Net在SSIM、UIQM、UCIQE 3项水下图像质量评价指标上较传统算法分别提升了19.81%,17.69%,21.87%;YOLOv11n-DCGA模型参数量与计算量分别减少了7.3%,7.8%,检测精度R mAP_(0.5),R mAP_(0.75),R mAP_(0.5:0.95)较原模型分别提升了0.5%,2.4%,1.6%;结合ByteTrack后可在重叠快速运动及遮挡场景下实现多鱼类个体的稳定识别与持续跟踪,检测帧率达43 FPS。所提出的监测方法在保持实时性的同时,显著提升了水下鱼类识别的精度与稳定性。研究成果可为实时生态监测系统的部署提供可行的技术方案。