摘要/Abstract為了解決人工水產(chǎn)養(yǎng)殖業(yè)中水產(chǎn)病害防治不科學(xué)的問題，適應(yīng)傳統(tǒng)水產(chǎn)養(yǎng)殖業(yè)養(yǎng)殖技術(shù)的轉(zhuǎn)型升級，精準識別水產(chǎn)養(yǎng)殖中的魚類病害。本文利用YOLOv5算法模型設(shè)計了一種魚類病害檢測系統(tǒng)，通過攝像頭進行魚類圖像采集，再使用該魚類病害檢測系統(tǒng)對所采集的圖像進行水產(chǎn)病害特征檢測。對訓(xùn)練好的算法模型進行試驗，準確率可達94.23%。由試驗結(jié)果可得，基于YOLOv5的魚類病害檢測系統(tǒng)在水產(chǎn)養(yǎng)殖中檢測準確率高，能夠有效檢測常見魚類病害，為后期處理魚類病害提供了有力依據(jù)。研究背景我國水產(chǎn)養(yǎng)殖業(yè)發(fā)展迅速，規(guī)模逐年遞增，然而在快速發(fā)展的背后，水產(chǎn)養(yǎng)殖業(yè)也面臨著嚴峻的挑戰(zhàn)，目前，傳統(tǒng)的水產(chǎn)養(yǎng)殖行業(yè)中魚類病害防治不科學(xué)，導(dǎo)致養(yǎng)殖場死魚率升高，養(yǎng)殖成本增加。因此，傳統(tǒng)水產(chǎn)養(yǎng)殖業(yè)的養(yǎng)殖技術(shù)迫切地需要向穩(wěn)產(chǎn)保供、創(chuàng)新增效的方向進行轉(zhuǎn)型與升級。針對水產(chǎn)養(yǎng)殖行業(yè)提升生產(chǎn)效率、降低養(yǎng)殖成本，陳子文等提出的基于YOLOv5算法的目標檢測方法，能夠?qū)λB(yǎng)殖的蝦類進行無接觸的目標圖像檢測與計數(shù)，準確率高，但其更多地適用于工廠化養(yǎng)殖，且不能較好地解決水產(chǎn)品病害檢測識別的問題；對于魚類等水產(chǎn)品病害檢測，尹銀平等設(shè)計構(gòu)建的Fuzzy推理診斷系統(tǒng)能夠取得較好的水產(chǎn)品病害檢測效果，但其編程操作較為復(fù)雜，所需輸入的目標識別物特征參數(shù)較多，在輸入?yún)?shù)的過程中容易因人為因素導(dǎo)致輸入數(shù)據(jù)不準確而產(chǎn)生誤差，不能較好地達到快速檢測識別水產(chǎn)品病害的目的。因此，對傳統(tǒng)水產(chǎn)養(yǎng)殖行業(yè)而言，為其養(yǎng)殖過程中提供精準可靠的水產(chǎn)品病害視覺識別系統(tǒng)尤為重要。隨著計算機視覺檢測技術(shù)與智能識別技術(shù)的發(fā)展，各類檢測算法大量涌現(xiàn)，其中YOLOv5目標檢測算法應(yīng)用廣泛，該算法對于工業(yè)生產(chǎn)、產(chǎn)品分類以及特征識別方面效果良好，可適用于更多實際生產(chǎn)領(lǐng)域。針對水產(chǎn)行業(yè)，視覺檢測和圖像分析技術(shù)在水產(chǎn)品特征識別中應(yīng)用廣泛，通過圖像分析技術(shù)能夠?qū)λa(chǎn)品進行合理分類，也能對水產(chǎn)品的品質(zhì)進行檢測；同時也能對水中魚類動向、特定行為進行目標檢測，能夠準確識別魚類水產(chǎn)品的水下動作行為，有效提高水產(chǎn)品的生產(chǎn)自動化水平。本文設(shè)計了一種基于YOLOv5目標識別算法的魚類病害檢測系統(tǒng)，結(jié)合避障模塊、信息采集模塊、WI-FI模塊、動力驅(qū)動模塊，控制水下機器人實現(xiàn)對養(yǎng)殖水域的魚群進行病害監(jiān)測，達到在養(yǎng)殖過程中有效檢測魚類病害的目的。研究結(jié)果1.

基于YOLOv5的魚類病害檢測算法YOLOv5是目前與實際場景和工程應(yīng)用最契合的算法，作為目前單階段檢測算法的典型代表，YOLOv5擁有編程簡單，對圖像特征分析精準且快速的優(yōu)點。其模型布局與YOLOv3、YOLOv4一致，整體結(jié)構(gòu)可分為Input、Backbone、Neck、Output四個部分，具體結(jié)構(gòu)如圖1所示。養(yǎng)殖過程中對魚類病害檢測的流程為：①圖像預(yù)處理（Input）；②主干特征提?。˙ackbone）；③多尺度特征融合（Neck）；④圖像輸出（Output）。圖1YOLOv5的結(jié)構(gòu)①圖像輸入處理采用自制數(shù)據(jù)集，有草魚、鯉以及水箱觀賞魚等魚類圖片樣本共104張，其中正常樣本68張，病害樣本36張。將所有樣本隨機劃分為訓(xùn)練集與測試集，其中訓(xùn)練集占比80%，測試集占比20%。從不同角度、游動姿態(tài)、魚群干擾以及不同光照條件的情況下，對魚類水霉病、爛身、掉鱗片三類病害進行檢測。在Input部分，首先對所輸入的圖像樣本，隨機選用4張圖片，進行隨機裁剪，然后再拼接到一張圖片上。具體操作如圖2所示，設(shè)定圖片裁剪尺寸為S，取尺寸大小為4S的框圖，在尺寸為S的藍色限定矩形區(qū)域內(nèi)隨機選一點作為圖像拼接點，放入4張圖片進行圖像拼接，得到新的圖片，以此可以豐富試驗的數(shù)據(jù)集，提升模型對于多樣性學(xué)習(xí)的能力。結(jié)合自適應(yīng)瞄框計算、自適應(yīng)圖片縮放，計算預(yù)測框與真實框兩者之差，再反向更新網(wǎng)絡(luò)。通過不斷更新預(yù)測框和真實框的差值，反向更新網(wǎng)絡(luò)的參數(shù)，獨立計算最優(yōu)錨框值，利用自適應(yīng)縮放圖片去除圖像信息干擾，降低誤差?？傮w上減少系統(tǒng)計算量，提升檢測速度，更有利于檢測魚類的病害。圖2圖像拼接原理②主干特征提取在Backbone部分，主要由Focus和CSP兩大結(jié)構(gòu)組成，利用Focus結(jié)構(gòu)對原始輸入的608×608×3圖像進行切片、卷積操作，將其轉(zhuǎn)換為304×304×32的特征圖，可以降低圖像模型計算量，加快網(wǎng)絡(luò)訓(xùn)練速度，得到特征圖，利用CSPDarkNet53將基礎(chǔ)層的特征映射劃分，然后進行跨層融合，豐富特征圖，保證準確率。③多尺度特征融合在Neck部分，由特征金字塔網(wǎng)絡(luò)和像素聚合網(wǎng)絡(luò)組成，Neck網(wǎng)絡(luò)作為圖像特征聚合層，經(jīng)過特征金字塔網(wǎng)絡(luò)采樣即自上而下的特征采樣，能夠提高低層特征的傳輸，增強對各類不同比例大小的檢測識別，能夠精確識別不同種類魚類的病害特征。④圖像輸出在Output部分，采用邊框損失函數(shù)GIOULOSS，GIOU框型示意圖如圖3所示，其中A表示算法預(yù)測目標框，B表示真實目標框，C表示包含A和B的最小矩形框，IOU表示預(yù)測框重疊區(qū)域，具體公式如式（1）、式（2）所示。圖3GIOU邊框示意2.

整體設(shè)計系統(tǒng)整體設(shè)計如圖4所示，水下機器人總體設(shè)計方案分為動力驅(qū)動模塊、避障模塊、信息采集模塊、WI-FI模塊4個模塊，控制核心采用樹莓派4B和STM32F401，通過水下機器人對魚類進行目標病害檢測，即動力驅(qū)動模塊使水下機器人在水下移動，由信息采集模塊通過樹莓派上連接的攝像頭對魚類圖像實時采集，通過樹莓派對圖像信息預(yù)處理后，再由WI-FI模塊將所檢測到的信息傳回到控制終端，由控制終端通過訓(xùn)練好的算法模型進行處理，進而回傳到可視化操作界面上達到檢測魚類病害的目的。圖4水下機器人總體工作框架①控制核心各硬件模塊基于樹莓派4B和STM32F401進行設(shè)計。樹莓派4B集成arm7l、1.5GHz運行的64位四核處理器，4GBRAM、2.4/5.0GHz雙頻無線WLAN、藍牙5.0/BLE、POE，使用Linux32位系統(tǒng)，具有上限高、可操作性強等優(yōu)點。在系統(tǒng)中主要實現(xiàn)圖像信息處理與分析、圖像回傳等功能。STM32F401控制器采用32位RAM核心處理芯片，同時集成了arm32位Cortex-m4的軟硬件以及內(nèi)核。其優(yōu)點在于其經(jīng)濟性好、能耗少，在系統(tǒng)中實現(xiàn)測距、避障等功能。②避障模塊本設(shè)計選用HC-SR04超聲波測距模塊，采用6個超聲波裝置模塊，分別安裝在水下機器人上下、前后、左右6個方位，以實現(xiàn)全方位立體探測機器人各方位障礙物的功能。該模塊通過與STM32F401的信號傳輸實現(xiàn)檢測障礙物并控制水下機器人精準避障的功能，機器人水下運行時，通過串口觸發(fā)測距，該模塊發(fā)出方波信號，而后判斷是否檢測到回波，當(dāng)檢測到回波時，根據(jù)信號傳輸持續(xù)時間計算障礙物距離，反饋至控制核心。并與動力驅(qū)動模塊配合，當(dāng)距離障礙物小于0.5m時，停止驅(qū)動，進行轉(zhuǎn)向?qū)崿F(xiàn)避障。③動力驅(qū)動模塊動力驅(qū)動模塊主要由6個推進器組成，推進器通過I/O口與控制核心連接?？刂坪诵耐ㄟ^控制各推進器的開啟/關(guān)閉狀態(tài)實現(xiàn)對機器的前進、轉(zhuǎn)向和下潛等動作的控制。其中，機器人前后分別連接2個推進器，主要控制前進、后退、左轉(zhuǎn)、右轉(zhuǎn)，機身兩側(cè)共2個推進器負責(zé)機器的上升下潛，如圖5所示。推進器配合動力系統(tǒng)控制機器人運動速度。圖5水下機器人推進器的配置④信息采集模塊信息采集模塊主要選用樹莓派原裝攝像頭，通過樹莓派4B的SCI接口與攝像頭連接，攝像頭以感光芯片為核心，利用差分數(shù)據(jù)信號端口傳輸圖像，通過模數(shù)轉(zhuǎn)換進行輸出。系統(tǒng)整體控制流程如圖6所示。圖6水下機器人整體控制流程3.上位機軟件水下機器人檢測系統(tǒng)采用VNCClient進行遠程控制。VNC由客戶端VNCViewer和服務(wù)器端的VNCServer組成，其控制原理如圖7所示，VNC將被控制端的操作界面，通過X協(xié)議將其運行在VNCServer的桌面中，然后通過RFB協(xié)議在遠程的Viewer中實現(xiàn)控制。圖7VNC控制原理系統(tǒng)由機器人采集圖像數(shù)據(jù)，數(shù)據(jù)通過串聯(lián)端口傳輸?shù)剿聶C器人的控制核心，再由控制核心通過WI-FI模塊利用2.4GHz頻段將所收集到的魚病的相關(guān)圖像數(shù)據(jù)信息傳輸?shù)浇K端服務(wù)器，由終端服務(wù)器傳輸?shù)娇梢暬僮鹘缑?，再由上位機（PC）聯(lián)網(wǎng)通過VNCViewer對機器人發(fā)出指令進行控制，工作流程如圖8所示。圖8水下機器人遠程控制流程4.系統(tǒng)測試結(jié)果及分析魚類病害檢測選用樹莓派4B作為試驗平臺；計算機作為訓(xùn)練平臺進行魚類檢測測試。試驗所選訓(xùn)練運行環(huán)境如表1所示。表1試驗訓(xùn)練運行環(huán)境訓(xùn)練結(jié)果采用準確率和召回率作為評價指標。準確率（Precision）即對于所用數(shù)據(jù)集中，模型正確預(yù)測的目標樣本和總樣本數(shù)之比，計算公式如式（3）；召回率（Recall）即樣本中所需識別的樣本被正確預(yù)測識別的比率，計算公式如式（4）。式（3）、式（4）中，TP表示模型所需識別的目標樣本正確識別的數(shù)量，F(xiàn)P即為將不需要識別的樣本識別為所需的目標樣本或未識別到的樣本個數(shù)，F(xiàn)N表示將所需識別的正確目標樣本識別為不需要識別的樣本的數(shù)量。通過對原始數(shù)據(jù)集進行訓(xùn)練，所得準確率和召回率隨著訓(xùn)練輪數(shù)變化的試驗結(jié)果如圖9所示。圖9目標檢測準確率和召回率試驗結(jié)果數(shù)據(jù)本次試驗從魚群圖像采集角度、魚的游動姿態(tài)、魚群中對目標的識別以及不同光照條件下進行了檢測試驗，部分檢測圖片結(jié)果如圖10所示。圖10水下機器人部分檢測圖片從召回率與準確率2項指標來看，YOLOv5檢測算法訓(xùn)練在達到200輪后開始達到穩(wěn)定，在訓(xùn)練400輪左右開始逐漸趨于穩(wěn)定，識別效果好，識別準確率高