基于YOLOv8的中华鲟智能检测方法

针对水下鱼类视频图像通常存在严重遮挡、近背景色、目标尺寸不一致的问题，在YOLOv8检测算法基础上，引入EMA注意力机制，利用该机制能自动学习并更加准确地捕捉中华鲟关键特征，以提升YOLOv8的预测能力。将引入EMA注意力机制的YOLOv8检测算法用于中华鲟检测的试验结果表明：在精度mAP@0.5方面，改进的YOLOv8模型相比原始YOLOv8模型提高了3.7%，达到了94%。因此引入EMA注意力机制的YOLOv8检测算法能更好地用于水下视频中华鲟检测。

中华鲟是地球上最古老的脊椎动物，其自身拥有的一系列原始特征在研究鱼类演化与地貌变迁等方面有着重要的学术研究价值和经济价值。中华鲟是中国长江中十分古老且具有珍稀价值的鱼类，有“长江鱼王”的称号。其主要栖息地位于长江中下游干流，而长江的水体污染，渔船的过度捕捞等因素导致了中华鲟生存环境的急剧恶化，天然种群中的中华鲟亲鱼与幼鱼数量也不断衰退，其天然种群规模正不断缩小，自然繁殖的中华鲟幼鱼更是少之又少，野生的中华鲟种群延续状况岌岌可危。因此， 采用人工智能技术准确、快速地检测水下环境中的中华鲟技术是成为保护和养殖中华鲟的关键技术之一。

在水下环境中拍摄的中华鲟图像通常存在着光照较弱、对比度低且比较模糊的特点，传统的机器学习方法如支持向量机与BP 神经网络等方法检测，对于水下图像的检测精度较差，泛化性能不足。随着计算机视觉技术的不断发展，深度学习在目标检测算法上的优势开始不断显现，基于深度学习的相关目标检测算法应用于水下目标识别越来越受重视。

2016 年， XuC 等[1]提出了一种基于SAE-softmax 的新型深度学习框架，采用SAE 逐层提取特征并应用于水下目标的数据集分类，分类准确率达到了94.1%。袁红春提出了一种基于Faster R-CNN 的水下鱼类目标检测方法[2]，提高了网络检测效果。沈军宇等[3]将CNN 和非极大值抑制方法结合， 基于YOLO 算法提出了一种鱼群目标检测算法， 在复杂场景和光线很暗的环境下能保持较好的检测和识别能力。

Santos A 等[4]提出了一种由三个分支组成的CNN 网络， 分别对鱼类物种、科和目进行分类，以改善具有相似特征的物种的识别。在鱼类科和目的识别上效果较好，分别获得了93.8%和96%的准确率。Zhang 等[5]提出了一种基于混合神经网络模型的鱼类自动计数方法， 用于实时、准确地计算远海鲑鱼养殖中的鱼群数量，计数精度高达95.06%，但计数密度图仍不够准确。

李辉等[6]提出了一种新的水下两阶段目标检测算法，在网络中加入注意力模块，在多种不同的水下鱼类数据集上模型检测精度均有明显提升，但检测速度还是较难达到实时检测的要求。周温晖等[7]提出改进YOLOv5 算法用于中华鲟智能检测方法，提高了检测精度，但复杂的水下环境会产生误检和漏检。Shi等[8]提出采用图像融合方法进行水下目标检测的YOLOv8 模型，平均精度提升7.5%，但对复杂环境下水下目标检测的准确率有待进一步提高。

YOLOv8 采用基于中心检测算法的无锚框(Anchor-Free)检测方式，直接检测物体的中心区域和边界信息，有效用于小目标检测。但对复杂环境下水下中华鲟检测在捕捉关键特征方面存在不足，因此本文在YOLOv8 模型中引入EMA 注意力机制，提出一种改进的YOLOv8 算法用于中华鲟智能检测方法，以期提高复杂环境下水下中华鲟检测准确率。