基于改进神经网络的鱼群密度计算方法

摘要

为了解决深远海养殖工程和海洋牧场中难以精确计算鱼群密度的关键问题，本研究旨在开发一种能够有效提高复杂海洋场景下鱼群密度计算精度与稳健性的新型方法，为海洋资源评估与智能化管理提供技术支撑。基于卷积和空间递归神经网络(CSRNet)架构，创新性地融合通道注意力与空间注意力双机制，构建具有特征增强能力的密度计算模型。通过设计注意力权重分配策略强化模型对鱼群关键区域的聚焦能力，同时构建首个专业鱼群密度计算数据集，系统解决水下图像背景干扰和目标遮挡等复杂场景下的特征提取难题。在公开数据集ShanghaiTech的Part＿A和Part＿B测试中，改进模型分别取得MAE 62.1/MSE 100.0和MAE 9.5/MSE 15.0的精度指标；在自建鱼群数据集上实现MAE 7.06/MSE 100.0的性能表现。结果显示，引入注意力机制后，模型在密集鱼群区域的MAE指标较基线模型降低约12.7%，对波浪、光照变化等干扰场景的稳健性提升显著。本研究提出的双注意力CSRNet模型通过特征通道与空间维度的协同优化，实现了对海洋场景中鱼群分布特征的精准捕捉。该方法有效抑制了复杂背景干扰，其密度估计误差较传统的CSRNet降低9%左右，为深远海工程中的生物量评估、投喂决策等关键环节提供可靠的技术手段，对推进智慧海洋牧场建设具有重要应用价值。

关键词

深远海工程 / 海洋牧场 / 资源评估 / 鱼群密度计算 / CSRNet / 注意力机制

基金资助

国家重点研发计划(2021YFB2601100)