1.一种基于YOLOv8模型的鱼道过鱼实时监测方法,其特征在于,包括将采集得到的鱼道图像输入预训练的改进YOLOv8模型以实现鱼道环境下水下目标检测,所述改进YOLOv8模型的改进包括在YOLOv8模型的主干网络的输入端添加了超分辨多尺度特征聚合模块SR-MSFA,所述超分辨多尺度特征聚合模块SR-MSFA对输入的鱼道图像的处理包括:首先将鱼道图像经过一个标准化处理,然后将标准化处理后得到的特征图分别送入多个分支,每一个分支均依次通过1×1卷积升维、深度可分离卷积过滤低可用信息和降噪模块,多个分支中深度可分离卷积的卷积核大小各不相同,最终四个分支得到的特征图和标准化处理后得到的特征图相加后再通过1×1卷积降维处理得到用于输入YOLOv8模型的主干网络的特征图;所述改进YOLOv8模型由主干网络、颈部网络和检测网络构成,其中颈部网络为跨阶段多尺度交叉聚合网络,所述跨阶段多尺度交叉聚合网络包括与主干网络输出的三个不同尺度的特征一一对应的三条特征融合分支,其中第一条特征融合分支用于将主干网络输出的第一个尺度的特征依次通过特征融合模块F、C2f模块、自适应小波降噪模块后送入检测网络的第一个检测头;第二条特征融合分支用于将主干网络输出的第二个尺度的特征依次通过特征融合模块F、C2f模块、上采样模块、特征融合模块F、自适应小波降噪模块后送入检测网络的第二个检测头;第三条特征融合分支用于将主干网络输出的第三个尺度的特征依次通过特征融合模块F、上采样模块、特征融合模块F、自适应小波降噪模块、C2f模块后送入检测网络的第三个检测头;主干网络输出的第一个尺度的特征还分别作为第二条特征融合分支、第三条特征融合分支中第一个特征融合模块F的输入特征,主干网络输出的第二个尺度的特征还作为第三条特征融合分支中第一个特征融合模块F的输入特征;第一条特征融合分支的C2f模块输出的特征还分别作为第二条特征融合分支、第三条特征融合分支中第二个特征融合模块F的输入特征,第二条特征融合分支的C2f模块输出的特征还作为第三条特征融合分支中第二个特征融合模块F的输入特征;第二条特征融合分支中上采样模块输出的特征还作为第一条特征融合分支中第一个特征融合模块F的输入特征,第三条特征融合分支中上采样模块输出的特征还作为第二条特征融合分支中第一个特征融合模块F的输入特征;第一条特征融合分支中自适应小波降噪模块输出的特征还经过一个卷积层处理后作为第二条特征融合分支中第二个特征融合模块F的输入特征;第二条特征融合分支中自适应小波降噪模块输出的特征还经过一个卷积层处理后作为第三条特征融合分支中第二个特征融合模块F的输入特征。
2.根据权利要求1所述的基于YOLOv8模型的鱼道过鱼实时监测方法,其特征在于,所述降噪模块为自适应小波降噪模块,自适应小波降噪模块针对输入的特征图的处理包括:首先将输入的特征图通过小波变换转换到频域空间后再根据频率划分低频和高频部分,并输出到并行的低频分支和高频分支两条分支,每一条分支中均依次进行1×1卷积、激活函数进行特征升维和信息过滤,在将得到的特征图经过注意力模块SE为其通道分配权重值,最后通过一个1×1卷积进行降维得到所在分支的输出的特征图;将两条分支输出的特征图拼接后并通过逆小波变换从频域空间映射回原图像空间,再和输入的特征图相加以获得最终输出的特征图。
3.根据权利要求2所述的基于YOLOv8模型的鱼道过鱼实时监测方法,其特征在于,所述根据频率划分低频和高频部分包括:将转换到频域空间的特征图按照频率从低倒要依次划分为低低LL、低高LH、高低HL和高高HH四个部分,将低低LL、低高LH、高低HL三个部分作为用于输入到低频分支的低频部分,高高HH部分作为用于输入到高频分支的高频部分。
4.根据权利要求1所述的基于YOLOv8模型的鱼道过鱼实时监测方法,其特征在于,特征融合模块F针对输入的多路特征的处理包括:将输入的多路特征拼接后分别输入两条独立的分支,其中一条分支依次通过1×1卷积、层归一化和leakyReLU激活函数激活,另一条分支则依次通过1×1卷积、层归一化、leakyReLU激活函数激活、注意力模块SE和1×1卷积为输入分配权重,最终两条分支的结果拼接后通过1×1卷积处理以过滤噪声。
5.根据权利要求1所述的基于YOLOv8模型的鱼道过鱼实时监测方法,其特征在于,所述将采集得到的鱼道图像输入预训练的改进YOLOv8模型以实现鱼道环境下水下目标检测时,包括针对检测得到的鱼类目标进行体长计算:S101,获取该鱼类目标的中心点坐标;
S102,根据双目摄像头生成的水下三维点云图将鱼道图像中的每个像素点映射到真实三维场景,获取中心点坐标对应的三维坐标位置及中心点坐标左右n个像素的三维坐标位置;
S103,根据中心点坐标左右n个像素的三维坐标位置计算该鱼类目标的像素比:
;
其中,为该鱼类目标的像素比,和为中心点坐标左右n个像素的二维坐标位置的横坐标,和为中心点坐标左右n个像素的真实三维坐标位置的横坐标;
S104,根据下式计算检测得到的鱼类目标的体长:
;
其中,为检测得到的鱼类目标的检测框的宽度。
6.根据权利要求1所述的基于YOLOv8模型的鱼道过鱼实时监测方法,其特征在于,所述将采集得到的鱼道图像输入预训练的改进YOLOv8模型以实现鱼道环境下水下目标检测时,包括采用指定的多目标追踪算法来实现不同帧鱼道图像检测得到的鱼类目标进行跟踪,并针对跟踪的鱼类目标进行游速计算:;
其中,为鱼类目标的游速,和分别为该鱼类目标在不同帧鱼道图像中的中心点坐标对应的三维坐标位置,和分别为不同帧鱼道图像的时间戳。
7.一种基于YOLOv8模型的鱼道过鱼实时监测系统,包括相互连接的微处理器和存储器,其特征在于,所述微处理器被编程或配置以执行权利要求1~6中任意一项所述基于YOLOv8模型的鱼道过鱼实时监测方法。
8.一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序或指令,其特征在于,该计算机程序或指令被编程或配置以通过处理器执行权利要求1~6中任意一项所述基于YOLOv8模型的鱼道过鱼实时监测方法。
9.一种计算机程序产品,包括计算机程序或指令,其特征在于,该计算机程序或指令被编程或配置以通过处理器执行权利要求1~6中任意一项所述基于YOLOv8模型的鱼道过鱼实时监测方法。