来源：期刊VIP网 时间：
作者：王明慧;陈燕;寇立伟;窦银科;
单位：太原理工大学电气与动力工程学院;山西省能源互联网研究院;煤电清洁智能控制教育部重点实验室;
摘要：目前极区是通过声呐探测结合人工捕捞统计的方法对鱼类进行监测考察，该方法受经济成本和作业区域、时间的限制。基于深度学习的目标检测算法可在满足经济性要求的同时对鱼类进行识别检测，然而传统的目标检测算法往往参数量、计算量较大，无法适应极区能耗、存储受限的严苛条件。针对这一问题，文中提出一种改进YOLOv8n的轻量化鱼类检测算法，在骨干和颈部网络中使用GhostC2f代替C2f，用GhostConv代替网络中部分Conv；在骨干网络中引入EMA注意力机制，以提高特征提取能力；最后，使用计算过程更简单的MPDIoU损失函数代替CIoU，提高检测速度。在自制的鱼类数据集上实验表明：改进后的算法参数量和计算量分别变为1.49×106和4.7×109，仅用了原YOLOv8n算法49.67%的参数实现了略优于YOLOv8n的检测精度；部署到嵌入式设备Jetson Xavier NX中检测速度能达到47 f/s，可以为硬件条件受限情况下的鱼类检测提供技术支撑。
关键词：鱼类检测;;YOLOv8n;;轻量化;;极区;;声呐探测;;EMA注意力机制
基金资助：国家重点研发计划（2022YFC2807603）;; 山西省基础研究计划资助项目（202203021211175,202103021223048）
