海洋牧场鱼群智能监测算法研究
摘要
渔业是世界范围内为人类提供蛋白质的重要来源，保障着全球粮食安全。然而，
近海养殖存在空间过度利用、病害频发等问题，给海洋环境带来严重的污染。深远海
水域具备开展海上规模化养殖和物流加工补给的优越条件，因此海洋牧场成为了一种
现代化、环保的新型养殖方式，可以更加灵活地应对不同的海况和环境变化，并节省
大量维护水质和适宜水温所需的能源。海洋牧场的大西洋鲑鱼的健康状况对于渔业公
司的经济效益有着极大的影响，因此实时、可信和高度自动化的智能监测方法尤其重
要。本文对海洋牧场鱼群智能监测算法研究主要包括以下三个方面，对大西洋鲑鱼群
图像存在降质问题进行预处理；实时准确的检测与跟踪鱼群；当大西洋鲑鱼群健康领
域遭受危害，例如鱼体皮肤存在寄生虫，使用语义分割技术准确分割出类别，详细内
容如下：
海洋牧场鱼类水下图像增强算法，用于解决水下机器人获取的降质大西洋鲑鱼图
像问题。该算法包括四个步骤：第一、颜色矫正算法进行初步色彩校正；第二、基于
引导滤波的多尺度Retinex算法，提高图像对比度和去模糊；第三、基于均值和均方差
的颜色平滑算法，对图像色彩还原，还可以提高对比度和亮度；第四、转换为Lab色
彩空间，对L通道使用CLAHE算法，提高图像整体亮度。通过这些步骤的处理，可
以使得鱼群图像更加清晰自然，同时符合海洋牧场健康监测的预处理要求。为了验证
算法的优越性，本文采用自制数据集进行实验与对比，包括主观视觉评价和客观指标
评价。实验结果表明，本文提出的图像增强算法在提高海洋牧场健康监测的准确性和
效率方面具有显著的效果和优势，可以有效解决海洋牧场中水下机器人获取的降质图
像问题。
为了解决海洋牧场中鱼群数量众多、游行速度快和鱼群相互遮挡等问题，对检测
器和多目标跟踪器的速度和准确率提出了更高的要求。为此，我们以YOLOv5s为改进
的研究对象；通过在主干特征提取网络中增加了一层注意力机制模块SENet，并新增
一个四倍下采样的超小检测层来应对超小目标的情况。改进后的YOLOv5s实验结果表
现优于原有模型和其他三种检测器，能够同时满足海洋牧场准确率和实时性的要求。
基于改进的检测器和DeepSORT跟踪器，对大西洋鲑鱼群进行了多目标跟踪实验；发
现大部分时间，鱼群能够被准确地跟踪。
针对大西洋鲑鱼健康领域数据集过少的问题，以大西洋鲑鱼皮肤存在寄生虫情形
哈尔滨工程大学专业学位硕士学位论文
为例，采用数据增强方法扩充数据集数量；并以U-Net作为研究的语义分割模型。在
编码和解码阶段，使用Res2Net模块替代部分卷积层；在解码阶段新增加一层注意力
机制SENet模块层，下采样使用卷积替换最大池化层，上采样则使用双线性插值方式。
改进的U-Net与三种语义分割模型进行了比较，包括模型训练对比、性能评估对比和
实验对比。结果表明，改进的U-Net分割性能更优秀；不仅可以准确地分割出寄生虫
边缘，也能够将零散的寄生虫完整而准确地分割出来，说明改进的模型满足对鱼群健
康监测的需求。
关键词：深度学习；水下图像增强；目标检测；多目标跟踪；语义分割
海洋牧场鱼群智能监测算法研究
Abstract
Fisheryisanimportantsourceofproteinforhumanbeingsaroundtheworld,ensuring
globalfoodsecurity.However,thereareproblemssuchasexcessiveuseofspaceandfrequent
occurrenceofdiseasesinoffshoreaquaculture,whichhasbroughtseriouspollutiontothe
marineenvironment.Thedeepseawatershaveexcellentconditionsforlarge-scalemarine
breedingandlogisticsprocessingand