《ICES Journal of Marine Science》:Research on tuna purse seine fishing target detection and recognition method for Unmanned Aerial Vehicle aerial images based on knowledge distillation
编辑推荐:
本刊推荐:为解决金枪鱼围网渔船定位鱼群(FADs)成本高、效率低的问题,研究人员开展基于知识蒸馏(KD)的YOLOv6优化模型研究,实现无人机(UAV)影像实时目标检测。最优模型YOLOv6t-student在太平洋实地测试中达到94.81%的FADs检测准确率,mAP0.5达0.722,为渔业智能化提供低成本技术方案。
在广袤的太平洋上,金枪鱼围网渔船每年需要花费大量时间和经济成本寻找鱼群聚集点——无论是自由游动的鱼群还是聚集在人工集鱼装置(Fish Aggregating Devices, FADs)周围的鱼群。传统方法依靠观察海鸟活动等视觉线索,现代技术虽引入直升机侦察和雷达系统,但高昂的成本和安全问题促使产业向无人机(Unmanned Aerial Vehicle, UAV)技术转型。然而,无人机在渔业检测中面临三大技术挑战:海上目标物理尺寸小、标注训练数据有限、渔船计算资源受限。这些瓶颈严重制约了无人机在渔业侦察中的实际应用效果。
针对这些难题,侯青莲团队在《ICES Journal of Marine Science》发表最新研究,提出了一种基于知识蒸馏(Knowledge Distillation, KD)的优化深度学习框架,专门用于无人机航拍图像中的金枪鱼围网捕捞目标检测。该研究通过模型压缩和知识蒸馏技术,在保证检测精度的同时大幅降低计算需求,为渔船提供了切实可行的智能化解决方案。
研究人员采用了几项关键技术方法:首先构建了两个专用数据集——手持相机拍摄的近景鱼群/FADs图像和无人机航拍图像;采用迁移学习技术,利用COCO数据集预训练的YOLOv6模型进行参数微调;应用超参数进化算法自动优化训练参数;创新性地使用知识蒸馏方法,将大模型(教师模型)的知识迁移到轻量模型(学生模型)中。所有实验均在太平洋赤道区域(0.05°S-5.90°S, 161.38°E-179.79°E)实地开展,确保了数据的真实性和实用性。
基准模型测试结果
研究团队系统评估了YOLOv6的四个变体(YOLOv6s/m/l/t),发现所有模型在零置信度阈值下均表现出高召回率(0.91-0.92),但不同类别间性能差异显著。其中"FADs"检测精度(0.687-0.765)明显优于"鱼类"(0.484-0.510)。YOLOv6l获得最高mAP0.5(0.633),而最轻量的YOLOv6t为0.594,揭示了模型复杂度与性能之间的平衡关系。
超参数进化
通过遗传算法实现的超参数进化自动发现了有效的训练配置,包括正则化项、数据增强策略和预热计划等。优化后的参数在目标检测任务中呈现出合理的数值分布,且不同YOLOv6架构变体都获得了适合自身特点的训练配置。
优化结果
知识蒸馏实验揭示了教师模型选择的关键影响:当使用同构的YOLOv6t作为教师模型时,学生模型达到最佳平衡——模型13(YOLOv6t-student/蒸馏)仅用24.89 GFLOPs计算量就实现了0.722的mAP0.5。相反,使用更复杂的YOLOv6l作为教师模型虽然召回率提升至0.800,但mAP0.5降至0.589左右,表明教师-学生模型容量匹配对蒸馏效果至关重要。
海上目标检测性能
实地测试结果令人鼓舞:在900帧测试图像中,模型成功检测到128个FADs,准确率达94.81%。特别值得注意的是,在19张严重散焦的图像中,模型实现了完美检测(19/19),展现了出色的环境鲁棒性。仅出现7例定位错误(正确分类但位置标记不准确),证明了模型在实际渔业环境中的实用性。
研究结论表明,基于YOLOv6和知识蒸馏的轻量级深度学习框架为金枪鱼围网渔业提供了一种高效的无人机检测方案。最优模型在精度和效率间取得了最佳平衡,实地验证证实了其在真实海洋环境中的有效性。该研究的创新之处在于将知识蒸馏这一模型压缩技术成功应用于渔业检测场景,显著降低了计算需求,使在渔船有限资源上部署智能检测系统成为可能。此外,研究提出的双阶段评估协议(实验室分析+实地验证)为海洋目标检测系统提供了一套可靠的性能验证方法。
尽管存在一些局限性——如目前仅测试了FADs检测,自由游动鱼群数据有待补充,但该框架为渔业智能化转型提供了技术支撑。模块化设计允许未来集成雷达、声纳等传感器,构建综合海洋监测系统。这项研究不仅展示了人工智能技术与传统渔具深度融合的可行性,更代表着传统渔业向知识密集型、数据驱动产业转型的关键突破,最终将重塑全球渔业竞争格局。