基于前后端生成概率密度图模型的虾苗自动计数

作     者：蔡润基 彭小红 叶双福 张天晨 高月芳 吕俊霖 CAI Runji;PENG Xiaohong;YE Shuangfu;ZHANG Tianchen;GAO Yuefang;LYU Junlin

作者机构：广东海洋大学数学与计算机学院广东湛江524088 华南农业大学数学与信息学院广东广州510642 中国水产科学研究院南海水产研究所广东广州510300 

出 版 物：《南方水产科学》 (South China Fisheries Science)

年 卷 期：2025年第21卷第1期

页      面：173-184页

核心收录：

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

基　　金：农业财政专项项目(NFZX2021) 广东省对虾现代种业智慧平台(2022GCZX001) 对虾智慧繁育关键技术研究与应用示范(2023ZDZX4012) 

主　　题：虾苗计数 密度图预测 计数网络模型 注意力模块 贝叶斯损失 

摘      要：虾苗计数是虾类养殖与销售中生物量估算的基本操作,对养殖管理和提高产量至关重要。由于受虾苗体型小、遮挡严重以及密集程度不一等因素影响,现有的自动计数方法难以在一定密度下准确计数。基于此,提出了一种基于贝叶斯概率分布的前后端结合计数网络(Shrimp counting, SC)模型,用于解决虾苗计数问题。该模型主要由前端模块、注意力模块和后端模块构成。首先,使用前端模块提取具有判别性的表型特征,并采用注意力模块对特征进行重组,以提升对图像的局部注意力;随后,使用后端模块生成虾苗分布预测概率密度图;最后,通过贝叶斯损失函数对模型进行参数调整,以提升虾苗计数的精确度。为了验证方法的有效性,构建了一个包含2种不同密度的虾苗计数数据集,并在该数据集上进行了多组实验对比。结果显示,总体准确率可达93.325%,平均绝对误差和均方误差分别为96.304和154.567。与现有主流的计数方法 [布莱克-利特曼模型(Black-Litterman, BL)、人群密度估计网络(Contextual Scene Recognition Network, CSR-Net)、多维注意力增强人群计数模型(Boosting Crowd Counting via Multifaceted Attention, BCCMA)]相比,SC模型准确率最高、误差最小。该模型适用于孵化场、销售和养殖入塘等多场景的虾苗自动计数。