舒 航，林志文，周際琳，唐 靜

成都工業(yè)學(xué)院自動化與電氣工程學(xué)院，成都 611730

我國水產(chǎn)養(yǎng)殖業(yè)發(fā)展迅速，規(guī)模逐年遞增，然而在快速發(fā)展的背后，水產(chǎn)養(yǎng)殖業(yè)也面臨著嚴(yán)峻的挑戰(zhàn)，目前，傳統(tǒng)的水產(chǎn)養(yǎng)殖行業(yè)中魚類病害防治不科學(xué)，導(dǎo)致養(yǎng)殖場死魚率升高，養(yǎng)殖成本增加。因此，傳統(tǒng)水產(chǎn)養(yǎng)殖業(yè)的養(yǎng)殖技術(shù)迫切地需要向穩(wěn)產(chǎn)保供、創(chuàng)新增效的方向進(jìn)行轉(zhuǎn)型與升級[1]。

針對水產(chǎn)養(yǎng)殖行業(yè)提升生產(chǎn)效率、降低養(yǎng)殖成本，陳子文等[2]提出的基于YOLOv5 算法的目標(biāo)檢測方法，能夠?qū)λB(yǎng)殖的蝦類進(jìn)行無接觸的目標(biāo)圖像檢測與計(jì)數(shù)，準(zhǔn)確率高，但其更多地適用于工廠化養(yǎng)殖，且不能較好地解決水產(chǎn)品病害檢測識別的問題；對于魚類等水產(chǎn)品病害檢測，尹銀平等[3]設(shè)計(jì)構(gòu)建的Fuzzy 推理診斷系統(tǒng)能夠取得較好的水產(chǎn)品病害檢測效果，但其編程操作較為復(fù)雜，所需輸入的目標(biāo)識別物特征參數(shù)較多，在輸入?yún)?shù)的過程中容易因人為因素導(dǎo)致輸入數(shù)據(jù)不準(zhǔn)確而產(chǎn)生誤差，不能較好地達(dá)到快速檢測識別水產(chǎn)品病害的目的。因此，對傳統(tǒng)水產(chǎn)養(yǎng)殖行業(yè)而言，為其養(yǎng)殖過程中提供精準(zhǔn)可靠的水產(chǎn)品病害視覺識別系統(tǒng)尤為重要。

隨著計(jì)算機(jī)視覺檢測技術(shù)與智能識別技術(shù)的發(fā)展，各類檢測算法大量涌現(xiàn)，其中YOLOv5 目標(biāo)檢測算法應(yīng)用廣泛，該算法對于工業(yè)生產(chǎn)、產(chǎn)品分類以及特征識別方面效果良好[4-6]，可適用于更多實(shí)際生產(chǎn)領(lǐng)域。針對水產(chǎn)行業(yè)，視覺檢測和圖像分析技術(shù)在水產(chǎn)品特征識別中應(yīng)用廣泛，通過圖像分析技術(shù)能夠?qū)λa(chǎn)品進(jìn)行合理分類，也能對水產(chǎn)品的品質(zhì)進(jìn)行檢測；同時也能對水中魚類動向、特定行為進(jìn)行目標(biāo)檢測，能夠準(zhǔn)確識別魚類水產(chǎn)品的水下動作行為，有效提高水產(chǎn)品的生產(chǎn)自動化水平[2-3]。

本文設(shè)計(jì)了一種基于YOLOv5 目標(biāo)識別算法的魚類病害檢測系統(tǒng)，結(jié)合避障模塊、信息采集模塊、WI-FI 模塊、動力驅(qū)動模塊，控制水下機(jī)器人實(shí)現(xiàn)對養(yǎng)殖水域的魚群進(jìn)行病害監(jiān)測，達(dá)到在養(yǎng)殖過程中有效檢測魚類病害的目的。

1 基于YOLOv5 的魚類病害檢測算法

YOLOv5 是目前與實(shí)際場景和工程應(yīng)用最契合的算法，作為目前單階段檢測算法的典型代表，YOLOv5 擁有編程簡單，對圖像特征分析精準(zhǔn)且快速的優(yōu)點(diǎn)[7]。其模型布局與YOLOv3、YOLOv4 一致，整體結(jié)構(gòu)可分為Input、Backbone、Neck、Output 四個部分，具體結(jié)構(gòu)如圖1 所示。

圖1 YOLOv5 的結(jié)構(gòu)

養(yǎng)殖過程中對魚類病害檢測的流程為：①圖像預(yù)處理（Input）；②主干特征提?。˙ackbone）；③多尺度特征融合（Neck）；④圖像輸出（Output）。

1.1 圖像輸入處理

采用自制數(shù)據(jù)集，有草魚、鯉以及水箱觀賞魚等魚類圖片樣本共104 張，其中正常樣本68 張，病害樣本36 張。將所有樣本隨機(jī)劃分為訓(xùn)練集與測試集，其中訓(xùn)練集占比80%，測試集占比20%。從不同角度、游動姿態(tài)、魚群干擾以及不同光照條件的情況下，對魚類水霉病、爛身、掉鱗片三類病害進(jìn)行檢測。

在Input 部分，首先對所輸入的圖像樣本，隨機(jī)選用4 張圖片，進(jìn)行隨機(jī)裁剪，然后再拼接到一張圖片上。具體操作如圖2 所示，設(shè)定圖片裁剪尺寸為S，取尺寸大小為4S 的框圖，在尺寸為S 的藍(lán)色限定矩形區(qū)域內(nèi)隨機(jī)選一點(diǎn)作為圖像拼接點(diǎn)，放入4 張圖片進(jìn)行圖像拼接，得到新的圖片，以此可以豐富試驗(yàn)的數(shù)據(jù)集，提升模型對于多樣性學(xué)習(xí)的能力。結(jié)合自適應(yīng)瞄框計(jì)算、自適應(yīng)圖片縮放，計(jì)算預(yù)測框與真實(shí)框兩者之差，再反向更新網(wǎng)絡(luò)。通過不斷更新預(yù)測框和真實(shí)框的差值，反向更新網(wǎng)絡(luò)的參數(shù)，獨(dú)立計(jì)算最優(yōu)錨框值，利用自適應(yīng)縮放圖片去除圖像信息干擾，降低誤差?？傮w上減少系統(tǒng)計(jì)算量，提升檢測速度，更有利于檢測魚類的病害。

圖2 圖像拼接原理

1.2 主干特征提取

在Backbone 部分，主要由Focus 和CSP 兩大結(jié)構(gòu)組成，利用Focus 結(jié)構(gòu)對原始輸入的608×608×3圖像進(jìn)行切片、卷積操作，將其轉(zhuǎn)換為304×304×32的特征圖，可以降低圖像模型計(jì)算量，加快網(wǎng)絡(luò)訓(xùn)練速度，得到特征圖，利用CSPDarkNet53 將基礎(chǔ)層的特征映射劃分，然后進(jìn)行跨層融合，豐富特征圖，保證準(zhǔn)確率。

1.3 多尺度特征融合

在Neck 部分，由特征金字塔網(wǎng)絡(luò)和像素聚合網(wǎng)絡(luò)組成，Neck 網(wǎng)絡(luò)作為圖像特征聚合層，經(jīng)過特征金字塔網(wǎng)絡(luò)采樣即自上而下的特征采樣，能夠提高低層特征的傳輸，增強(qiáng)對各類不同比例大小的檢測識別，能夠精確識別不同種類魚類的病害特征。

1.4 圖像輸出

在Output 部分，采用邊框損失函數(shù)GIOULOSS[8]，GIOU 框型示意圖如圖3 所示，其中A 表示算法預(yù)測目標(biāo)框，B 表示真實(shí)目標(biāo)框，C 表示包含A 和B的最小矩形框，IOU 表示預(yù)測框重疊區(qū)域，具體公式如式（1）、式（2）所示。

圖3 GIOU 邊框示意

2 整體設(shè)計(jì)

系統(tǒng)整體設(shè)計(jì)如圖4 所示，水下機(jī)器人總體設(shè)計(jì)方案分為動力驅(qū)動模塊、避障模塊、信息采集模塊、WI-FI 模塊4 個模塊，控制核心采用樹莓派4B和STM32F401，通過水下機(jī)器人對魚類進(jìn)行目標(biāo)病害檢測，即動力驅(qū)動模塊使水下機(jī)器人在水下移動，由信息采集模塊通過樹莓派上連接的攝像頭對魚類圖像實(shí)時采集，通過樹莓派對圖像信息預(yù)處理后，再由WI-FI 模塊將所檢測到的信息傳回到控制終端，由控制終端通過訓(xùn)練好的算法模型進(jìn)行處理，進(jìn)而回傳到可視化操作界面上達(dá)到檢測魚類病害的目的。

圖4 水下機(jī)器人總體工作框架

2.1 控制核心

各硬件模塊基于樹莓派4B 和STM32F401 進(jìn)行設(shè)計(jì)。

樹莓派4B 集成arm7l、1.5 GHz 運(yùn)行的64 位四核處理器，4 GB RAM、2.4/5.0 GHz 雙頻無線WLAN、藍(lán)牙5.0/BLE、POE，使用Linux32 位系統(tǒng)，具有上限高、可操作性強(qiáng)等優(yōu)點(diǎn)。在系統(tǒng)中主要實(shí)現(xiàn)圖像信息處理與分析、圖像回傳等功能。

STM32F401 控制器采用32 位RAM 核心處理芯片，同時集成了arm32 位Cortex-m4 的軟硬件以及內(nèi)核。其優(yōu)點(diǎn)在于其經(jīng)濟(jì)性好、能耗少，在系統(tǒng)中實(shí)現(xiàn)測距、避障等功能。

2.2 避障模塊

本設(shè)計(jì)選用HC-SR04 超聲波測距模塊，采用6個超聲波裝置模塊，分別安裝在水下機(jī)器人上下、前后、左右6 個方位，以實(shí)現(xiàn)全方位立體探測機(jī)器人各方位障礙物的功能。

該模塊通過與STM32F401 的信號傳輸實(shí)現(xiàn)檢測障礙物并控制水下機(jī)器人精準(zhǔn)避障的功能，機(jī)器人水下運(yùn)行時，通過串口觸發(fā)測距，該模塊發(fā)出方波信號，而后判斷是否檢測到回波，當(dāng)檢測到回波時，根據(jù)信號傳輸持續(xù)時間計(jì)算障礙物距離，反饋至控制核心。并與動力驅(qū)動模塊配合，當(dāng)距離障礙物小于0.5 m 時，停止驅(qū)動，進(jìn)行轉(zhuǎn)向?qū)崿F(xiàn)避障。

2.3 動力驅(qū)動模塊

動力驅(qū)動模塊主要由6 個推進(jìn)器組成，推進(jìn)器通過I/O 口與控制核心連接?？刂坪诵耐ㄟ^控制各推進(jìn)器的開啟/關(guān)閉狀態(tài)實(shí)現(xiàn)對機(jī)器的前進(jìn)、轉(zhuǎn)向和下潛等動作的控制。其中，機(jī)器人前后分別連接2個推進(jìn)器，主要控制前進(jìn)、后退、左轉(zhuǎn)、右轉(zhuǎn)，機(jī)身兩側(cè)共2 個推進(jìn)器負(fù)責(zé)機(jī)器的上升下潛，如圖5 所示。推進(jìn)器配合動力系統(tǒng)控制機(jī)器人運(yùn)動速度。

圖5 水下機(jī)器人推進(jìn)器的配置

2.4 信息采集模塊

信息采集模塊主要選用樹莓派原裝攝像頭，通過樹莓派4B 的SCI 接口與攝像頭連接，攝像頭以感光芯片為核心，利用差分?jǐn)?shù)據(jù)信號端口傳輸圖像，通過模數(shù)轉(zhuǎn)換進(jìn)行輸出[9]。

系統(tǒng)整體控制流程如圖6 所示。

圖6 水下機(jī)器人整體控制流程

3 上位機(jī)軟件

水下機(jī)器人檢測系統(tǒng)采用VNC Client 進(jìn)行遠(yuǎn)程控制。VNC 由客戶端VNC Viewer 和服務(wù)器端的VNC Server 組成，其控制原理如圖7 所示，VNC 將被控制端的操作界面，通過X 協(xié)議將其運(yùn)行在VNC Server 的桌面中，然后通過RFB 協(xié)議在遠(yuǎn)程的Viewer 中實(shí)現(xiàn)控制[10]。

圖7 VNC 控制原理

系統(tǒng)由機(jī)器人采集圖像數(shù)據(jù)，數(shù)據(jù)通過串聯(lián)端口傳輸?shù)剿聶C(jī)器人的控制核心，再由控制核心通過WI-FI 模塊利用2.4 GHz 頻段將所收集到的魚病的相關(guān)圖像數(shù)據(jù)信息傳輸?shù)浇K端服務(wù)器，由終端服務(wù)器傳輸?shù)娇梢暬僮鹘缑?，再由上位機(jī)（PC）聯(lián)網(wǎng)通過VNC Viewer 對機(jī)器人發(fā)出指令進(jìn)行控制，工作流程如圖8 所示。

圖8 水下機(jī)器人遠(yuǎn)程控制流程

4 系統(tǒng)測試結(jié)果及分析

魚類病害檢測選用樹莓派4B 作為試驗(yàn)平臺；計(jì)算機(jī)作為訓(xùn)練平臺進(jìn)行魚類檢測測試。試驗(yàn)所選訓(xùn)練運(yùn)行環(huán)境如表1 所示。

表1 試驗(yàn)訓(xùn)練運(yùn)行環(huán)境

訓(xùn)練結(jié)果采用準(zhǔn)確率和召回率作為評價(jià)指標(biāo)。

準(zhǔn)確率（Precision）即對于所用數(shù)據(jù)集中，模型正確預(yù)測的目標(biāo)樣本和總樣本數(shù)之比，計(jì)算公式如式（3）；召回率（Recall）即樣本中所需識別的樣本被正確預(yù)測識別的比率，計(jì)算公式如式（4）。

式（3）、式（4）中，TP表示模型所需識別的目標(biāo)樣本正確識別的數(shù)量，F(xiàn)P即為將不需要識別的樣本識別為所需的目標(biāo)樣本或未識別到的樣本個數(shù)，F(xiàn)N表示將所需識別的正確目標(biāo)樣本識別為不需要識別的樣本的數(shù)量。

通過對原始數(shù)據(jù)集進(jìn)行訓(xùn)練，所得準(zhǔn)確率和召回率隨著訓(xùn)練輪數(shù)變化的試驗(yàn)結(jié)果如圖9 所示。

圖9 目標(biāo)檢測準(zhǔn)確率和召回率試驗(yàn)結(jié)果數(shù)據(jù)

本次試驗(yàn)從魚群圖像采集角度、魚的游動姿態(tài)、魚群中對目標(biāo)的識別以及不同光照條件下進(jìn)行了檢測試驗(yàn)，部分檢測圖片結(jié)果如圖10 所示。

圖10 水下機(jī)器人部分檢測圖片

從召回率與準(zhǔn)確率2 項(xiàng)指標(biāo)來看，YOLOv5 檢測算法訓(xùn)練在達(dá)到200 輪后開始達(dá)到穩(wěn)定，在訓(xùn)練400 輪左右開始逐漸趨于穩(wěn)定，識別效果好，識別準(zhǔn)確率高，系統(tǒng)網(wǎng)絡(luò)模型檢測準(zhǔn)確率可達(dá)94%以上，對于養(yǎng)殖過程中魚類病害能夠有效識別，系統(tǒng)測試結(jié)果如表2 所示。

表2 水下機(jī)器人系統(tǒng)測試結(jié)果

5 結(jié) 語

本文設(shè)計(jì)的一種基于YOLOv5 的水下機(jī)器人魚類病害檢測系統(tǒng)，系統(tǒng)基于YOLOv5 算法對目標(biāo)進(jìn)行圖像特征采集，進(jìn)行多個尺度的圖像特征融合，可以提升對水下魚類病害檢測的效率和精度，有效檢測出所養(yǎng)殖魚類的病害從而及時采取防治措施降低養(yǎng)殖成本，對于提升養(yǎng)殖效率、推進(jìn)水產(chǎn)養(yǎng)殖智能化有顯著作用。