引用格式
许瑞峰, 王瑶华, 丁文勇, 於俊琦, 闫茂仓, 陈琛. 基于改进YOLOv8和多元特征的对虾发病检测方法[J]. 智慧农业(中英文), 2024, 6(2): 62-71.
DOI：10.12133/j.smartag.SA201311014
XU Ruifeng, WANG Yaohua, DING Wenyong, YU Junqi, YAN Maocang, CHEN Chen. Shrimp Diseases Detection Method Based on Improved YOLOv8 and Multiple Features[J]. Smart Agriculture, 2024, 6(2): 62-71.
DOI：10.12133/j.smartag.SA2016311014
官网全文免费阅读
知网阅读
✦
✦
基于改进YOLOv8和多元特征的对虾发病检测方法
✦
许瑞峰1，2，3，4， 王瑶华1，3，4， 丁文勇1，3，4， 於俊琦1，3，4， 闫茂仓1，3，4*， 陈琛1，3，4*
（1.中国浙江省海洋水产养殖研究所，浙江温州 325000，中国；2.上海海洋大学 水产与生命学院，上海 201306，中国；3.浙江省近岸水域生物资源开发与保护重点实验室，浙江温州 325000，中国；4.温州市海洋生物遗传育种重点实验室，浙江温州 325000，中国）
摘要：
［目的/意义］对虾病害严重危害对虾养殖业。针对对虾病害发病快、死亡率高等特点，高密度的工厂化养殖等模式需要一种高效率对虾发病检测方法替代传统人工检查方法，实现对虾发病的及时预警。
［方法］提出一种基于改进YOLOv8（You Only Look Once）和多元特征的对虾发病检测方法。首先利用改进YOLOv8网络从对虾夜间水面红外图像中进行前景提取，再利用Farneback光流法和灰度共生矩阵（Gray Level Co-occurrence Matrix，GLCM）提取对虾视频片段的运动特征与图像纹理特征，利用提取到的特征参数构建训练数据集，训练支持向量机（Support Vector Machine，SVM）作为分类器用于检测对虾视频片段，实现对正常与发病的对虾视频片段的检测分类。
［结果和讨论］训练好的SVM分类器在300个测试样本上的表现为检测准确率平均值为83%，检测效果达到设计要求。检测误差主要是将发病片段错误地检测为正常片段。该误差主要受水面对虾数量和视频影响。
［结论］本研究实现了对对虾发病的检测，提供了一种基于计算机视觉的检测方法。但受条件限制，仅在工厂化养殖环境下进行了实验，尚不能适用于多种养殖环境，仍有改进空间。
关键词： 对虾病害；计算机视觉；YOLOv8；Farneback光流法；灰度共生矩阵；支持向量机
文章图片
图1 对虾发病检测方法的流程图
Fig. 1 Flow chart of shrimp disease detection method
图2 对虾养殖池水面图像
Fig. 2 Image of the surface of the shrimp culture pond
图3 对虾图像采集系统
Fig. 3 Image acquisition system of shrimp
图4 EMA注意力机制结构图
Fig. 4 Structure of of efficient multi-scale attention attention mechanism
图5 改进YOLOv8网络结构图
Fig. 5 Structure of the improved YOLOv8 network
图6 对虾图像前景提取效果对比
Fig. 6 Comparison of Extraction of shrimp image foreground
图7 对虾视频片段样本例图
Fig. 7 Examples of shrimp video clips samples
图8 对虾发病检测误差来源例图
Fig. 8 Examples of shrimp diseases detection error sources
作者简介
来源：《智慧农业（中英文）》2024年第2期
转载请联系编辑部授权
推荐阅读
张京博士团队：基于Bi-GRU和空-谱信息融合的油菜菌核病侵染区域高光谱图像分割方法（《智慧农业（中英文）》2024年第2期）
智慧农业微信交流服务群
发布征集
欢迎在我公众号发布科研团队介绍、创新科研成果及相关活动等信息。
