农业机械学报

作者：徐龙琴，郑钦月，高学凯，崔猛，刘双印，谢彩健

单位：仲恺农业工程学院,仲恺农业工程学院;天津农学院,仲恺农业工程学院,萨里大学,仲恺农业工程学院;天津农学院,仲恺农业工程学院,

关键词：鱼类排便行为;水产养殖;YOLO v7-tiny;目标检测

基金：国家自然科学基金项目（62373390）、广东省基础与应用基础研究项目（2023A1515011230）和广州市科技计划项目（2023E04J1238、2023E04J1239）

粪便是集约化水产养殖系统中有机废物的主要来源，排便数量的增加和时间的延长都会加快养殖水质中氨氮、亚硝酸盐等污染物的积累浓度和速度，因此，排便行为模式对于维持最佳水环境和确保可持续的鱼类生产至关重要。为解决传统排便行为分析费时费力的问题，本研究提出一种基于改进YOLO v7-tiny的高性能、轻量级的鱼类排便行为识别模型CDW-YOLO v7。该模型采用基于C2f结构的双向特征金字塔网络（C2f-bidirectional feature pyramid network，C2f-BiFPN）优化识别排便行为的多尺度和非线性特征融合能力，同时引入具有注意力机制的动态检测头（Dynamic head，DyHead）以增强模型在复杂环境中对鱼类排便行为关键特征的提取能力，并结合WIoU损失函数，减少因鱼类遮挡、重叠等造成的漏检现象，提高模型的准确性。实验结果表明，与基线模型YOLO v7-tiny相比，CDW-YOLO v7模型具有更好的性能，参数量减少2.56×106，浮点运算量降低5.90×109，同时平均精度均值（mean Average Precision，mAP）提高2?04个百分点。此外，该模型在模型大小、精度和检测速度等方面，均优于3种经典目标检测算法（YOLO v3-tiny、YOLO v4-tiny和YOLO v5s）。本研究为鱼类排便行为的精准检测和智能化水产养殖系统的发展提供了理论基础。

来源：2025年第6期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2025年第6期