农业机械学报

作者：徐文凯，郎平，李道亮

单位：中国农业大学,中国农业大学,中国农业大学,

关键词：深度学习;实例分割;多目标鱼类;YOLO v8;PyQt5;轻量化模型

基金：国家自然科学基金项目（32373186）

水下目标的准确分割为研究水生动物的行为、生物量等奠定了基础。然而，现有的水下实例分割算法面对水下特有的环境干扰（如悬浮颗粒、颜色衰减、背景噪声）时，往往缺乏足够的鲁棒性，并且提升轻量化模型在非结构化、动态水下场景中的泛化能力是一项关键挑战。为此，本文提出了一种轻量化的实例分割模型LIS-YOLO（Lightweight instance segmentation YOLO v8），可以从不同的拍摄角度对鲟鱼、幼年鲈鱼和成年鲈鱼进行有效分割，并基于PyQt5构建了水下目标实时分割系统。首先设计了一个轻量化、高精度的C2f-Faster-EMA模块，通过更轻量化的C2f-Faster模块取代了原模型中复杂的C2f模块，并集成了高效的多尺度关注，提高了对小目标鱼类的特征提取能力。其次，在改进模型中引入Wise-IoU，减少了低质量样本产生的有害梯度，提高了模型在复杂环境下的分割能力。最后，利用图形用户界面和PyQt5接口开发了水下多目标实例分割的实时分割系统，能够可视化不同种类鱼。实验结果表明，LIS-YOLO模型的精度、平均精度均值、浮点运算量和帧率分别为97.2%、95.9%、3.60×1010和127f/s。模型参数量压缩至9.0×106，占原模型的76.3%。本研究不仅为水下目标识别提供了一种准确、轻量级的实例分割模型，而且探讨了不同拍摄角度下鱼类分割的有效性，对提高水产养殖智能化水平具有实际应用价值。

来源：2025年第10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10期