摘要
对虾养殖是我国水产养殖的重要组成部分，我国对虾产量目前是全球第一。对虾养殖目前有池塘、高位池、小棚和工厂化等多种养殖模式，其中工厂化养殖由于密度高，产量大，节约资源的特点，规模增长迅速，成为对虾养殖模式未来重要发展方向。对虾养殖的投饵方式目前以人工投喂为主，需要定期测量养殖池内对虾的体重以确定投饵量。传统的测量工作通常由人工完成，耗时耗力，效率低下。因此需要一种非接触式的自动化测量方式，配合自动化投饵机，以实现定时、定点、定量的对虾自动化投饵。对虾发病目前主要靠人工检查发现，严重依赖人力与个人经验。随着养殖养殖规模的扩大，相关养殖人才缺口极大，不能满足未来生产需求，因此迫切需要一种自动化的对虾发病检测方法，实现发病早期及时预警，减少生产损失。本文在对虾工厂化养殖条件下，基于计算机视觉技术进行对虾生长监测，实现了对虾体长非接触式自动测量与对虾发病检测，同时设计了一套配合使用的自动投饵系统，实现投饵的精准化与自动化。主要的工作与研究内容如下： （1）根据对虾生活习性和工厂化循环水养殖模式的特点，选择对虾日间静伏池底，活动不频繁时，对池底的对虾进行目标检测。此时由于对虾伏于池底，镜头到对虾的距离可视作固定距离，方便实现单目相机标定。为此制作了池底对虾数据集，采集了工厂化养殖模式下对虾从入池到捕捞期间的多个时间段内的图像，涵盖对虾体长从3厘米到10厘米的范围，用以训练改进YOLOv8（YouOnlyLookOnce），完成目标检测任务。 （2）基于改进的YOLOv8目标检测设计了一种体长测量方法，用于为投饵系统提供计算数据，该测量方法相对误差8.6%，可以满足需求。提出了一种用于对虾目标检测的，精度与复杂程度均衡的改进YOLOv8网络。实验中YOLOv8的改进方式包括基于FasterNet和VanillaNet轻量化主干网络，在网络head部分添加高效多尺度（EfficientMulti-ScaleAttention,EMA）注意力机制弥补轻量化主干网络的精度损失。改进后进行了消融实验以确定改进效果，并与其他YOLO系列网络进行对比实验确定网络性能表现。根据实验结果，结合了VanillaNet轻量化主干网络与EMA注意力机制的改进方式综合改进效果最佳。改进后的网络参数量仅3.9M，FLOPs仅10.8G，精度指标mAP0.5保持在92.7%。该改进方式显著降低了网络的参数量和复杂程度，同时检测精度仍能满足任务需求。改进后的YOLOv8网络更适合部署到低算力的边缘平台或移动端，有利于在实际生产中投入使用。 （3）设计了一套自动投饵系统，系统上下位机之间的通信基于Snap7通信协议实现。系统下位机以PLC为核心控制投饵机和电磁阀等设备，通过PLC内部编程实现了手动/自动控制投饵机。依靠内部编程，下位机可配合上位机每日按计划定时、定量投喂，也可手动控制设备独立运行。上位机程序主要基于Python语言的Tkinter库和OpenCV库编写。上位机程序配合下位机系统可实现体长测量，历史数据保存，自动投饵等功能。体长测量功能通过改进YOLOv8对虾目标检测的检测框坐标数据，配合相机标定参数进行坐标映射计算得到。体长数据经计算得到投饵量后写入下位机程序定时器内，实现投饵量根据体长变化自动调整的功能。投饵系统的用户交互界面部署在Windows系统上，方便用户使用。该界面具有系统主界面与投饵系统子界面，可查看实时水下检测画面、实时体长测量数据，实现自动投饵开启/关闭与查看历史数据分析的功能。 （4）设计了一种基于计算机视觉的对虾发病检测方法。根据对虾发病时的运动特点，设计用于检测的多元特征参数。为去除水面浮沫干扰，使用YOLOv8进行目标检测提取出夜间养殖池水面红外图像中的对虾作为图像前景，然后利用Farnberck光流法和灰度共生矩阵（GrayLevelCo-occurrenceMatrix,GLCM）分别提取出虾视频片段的运动和图像纹理特征，利用提取的特征制作数据集训练支持向量机（SupportVectorMachine,SVM）分类器，实现对虾片段发病与正常的分类。经过在测试样本上的实验，该方法精度可达83%，表现良好。该方法所使用的图像采集设备为消费级监控球机，相比传统方法成本要求更低，同时检测效果良好，进一步改进后可投入实际生产使用。
NETL