水产养殖机器人视觉识别系统设计

1 前言

水产养殖作为全球重要的食品生产和供应行业，在满足人类对水产品需求方面起到至关重要的作用。随着全球人口的持续增长和对优质蛋白质需求的不断增加，水产养殖规模不断扩大，但也面临着诸多挑战[1]。传统水产养殖方式依赖人工操作，效率低下且难以实现精准管理，易受环境因素影响，导致产量不稳定和质量参差不齐。水质监测存在不足、病害防治存在不足以及鱼群管理存在不足，这些方面的问题对水产养殖的可持续发展造成了限制。

该系统可实现自动化操作，提高养殖效率和质量，降低人力成本和劳动强度。通过实时监测水质参数和鱼群健康状况，能及时发现问题并采取相应措施，减少病害发生和损失。还能实现精准投喂和环境控制，优化养殖环境，提高资源利用率，促进水产养殖的可持续发展。在智能化和自动化技术快速发展的背景下，研究水产养殖机器人控制系统符合行业发展趋势，有助于推动水产养殖向现代化、智能化方向转变。

2 基于YOLOv8 的多目标鱼类品种检测系统设计

基于 YOLOv8 的多目标鱼类品种检测系统在水产养殖机器人视觉控制系统中至关重要 [2]。YOLOv8 作为先进的目标检测算法，具有检测速度快、精度高的特点，适用于复杂水产环境下的鱼类品种识别 [3]。

系统构建时，需收集多种鱼类的图像数据，涵盖不同品种、不同生长阶段、不同姿态的鱼类。对这些数据进行标注，明确每条鱼的品种信息，构建训练数据集。利用该数据集对 YOLOv8 模型进行训练，调整模型的参数，如学习率设置为 0.001，批次大小设为 16 等，以提高模型对不同鱼类品种的识别能力。为提升复杂水产环境下的检测鲁棒性，系统设计深度融合了环境感知与模型动态调优机制。针对水下光照衰减、悬浮物干扰等现实挑战，在 YOLOv8 的骨干网络中引入注意力门控模块，通过自适应权重分配强化鱼体轮廓特征的提取能力，同时抑制水体反光、藻类附着等噪声干扰。训练阶段采用渐进式学习策略，初期使用高清晰度样本建立基础识别能力，逐步加入模糊、低对比度的困难样本进行微调，使模型能够适应从清澈实验池到浑浊养殖池的光学特性变化。

在实际应用中，水产养殖机器人搭载摄像头获取水下图像，将图像输入到训练好的 YOLOv8 模型中。模型会快速检测图像中的鱼类目标，并识别其品种，输出检测结果。该系统可实时、准确地识别多种鱼类品种，为水产养殖的精准管理提供数据支持，如根据不同品种的生长需求调整养殖策略，提高养殖效率和质量。

3 基于YOLOv8 的鱼类病害特征模型构建

鱼类病害特征数据的采集与预处理是构建基于 YOLOv8 的病害特征模型的基础 [3]。在数据采集阶段，采用高清摄像机对患病鱼类进行多角度拍摄，共收集了涵盖 4 种常见鱼类病害部位的图像数据 2320 张。同时，记录每条鱼的品种、病害类型、患病部位等详细信息，形成对应的标注文件。为确保数据的准确性和全面性，采集工作在不同养殖环境、不同生长阶段的鱼群中进行原始数据集包含 4 种常见病害类型，涵盖单鱼特写、鱼群交互及多病害并发等复杂场景 [4]。为提升数据多样性，采集过程特别关注病害发展的动态过程，从初期微小病灶到晚期严重症状均纳入样本范围，确保模型能够识别不同阶段的病理特征。

在数据预处理阶段，首先对采集到的图像进行尺寸归一化处理，将所有图像统一调整为 640×640 像素，以适应YOLOv8 模型的输入要求。接着，运用图像增强技术，如随机翻转、旋转、缩放、亮度调整等，将数据集扩充至 3000 张，增强模型的泛化能力。最后，将处理好的数据集按照 8:1:1的比例划分为训练集、验证集和测试集，为后续的模型训练做好准备

在先验框优化方面，研究改进了传统聚类算法，通过引入形状相似性度量因子，使生成的锚框更贴合鱼类病害的不规则形态特征。这一优化显著提升了模型对小尺度病灶的敏感度，尤其是对丝状菌感染等细长型病理特征的捕捉能力。数据集构建阶段采用分层抽样策略，确保训练集、验证集与测试集在病害类型、环境复杂度等维度上均衡分布，同时额外引入高浊度水质下的挑战性样本，以全面评估模型的实际应用性能。通过系统化的数据工程处理，最终形成的预处理方案不仅适配 YOLOv8 的多尺度检测机制，更为模型在复杂养殖场景中的泛化能力奠定了坚实基础。

4 基于YOLOv8 的病害特征模型的训练实现

在完成鱼类病害特征数据的采集与预处理后，开始基于 YOLOv8 开展病害特征模型的训练。训练前，将预处理好的数据集按照 8:1:1 的比例划

分为训练集、验证集和测试集。训练集用于模型学习病害特征，验证集在训练过程中评估模型性能，以调整超参数，测试集在训练结束后评估模型的最终性能。

训练过程采用随机梯度下降（SGD）优化算法，学习率设置为 0.001，动量参数设置为 0.9 为防止过拟合，采用了数据增强技术，如随机裁剪、翻转、旋转等。模型初始权重采用预训练权重，以加快收敛速度。

训练轮数设置为 100 轮，每一轮训练后，使用验证集评估模型的平均精度均值（mAP）、召回率等指标。根据验证集的评估结果，动态调整学习率。当验证集的mAP 提升小于 1% 且不低于 85% 时，停止训练。

5 结论

本设计围绕水产养殖机器人视觉控制系统展开研究，设计了基于YOLOv8 的多目标鱼类品种检测系统，通过数据采集、标注与模型训练，实现了对多种鱼类品种的高效识别。同时，构建了基于 YOLOv8 的鱼类病害特征检测模型，详细介绍了病害数据的采集、预处理方法以及模型训练过程。实验结果表明，所设计的视觉控制系统在鱼类品种识别和病害检测方面均表现出较高的准确性与鲁棒性，能够有效满足水产养殖环境下的实时监测需求，也为后续所需控制系统中鱼群跟踪实现提供高质量视觉模型。

参考文献：

[1] 牛超 , 刘学美 . 我国水产养殖技术的前景探讨 [J]. 南方农业 , 2015,9 (09): 135-136.

[2] 汤永华 ,张志鹏 , 林森 , 等 . 基于多标签补偿的改进 YOLOv8 鱼体病害检测方法 [J]. 农业工程学报 ,2024,40(23):227-234.

[3] 王怡飞 ,袁红春 . 基于注意力机制及 GSConv-YOLOv8 的淡水鱼鱼病检测方法 [J]. 渔业现代化 ,2025,52(02):118-125.

[4] 王润田，陈晶晶，龚剑彬. 深水网箱养殖中的声学监测问题探讨[J].渔业现代化，2012,39(3):19-22.

[5] 张玉潇 , 张宁 , 曾宇阳 , 等 . 水下机器人测试技术及展望 [J]. 科技与创新 ,2024(16):49-51.

基金项目：2025 届“优秀本科毕业设计（论文）培育计划”项目，BS202444，一种用于水下的养殖机器人

作者简介：黄圆原（2003-），男，本科在读。

通讯作者：陈洁（1990-），女，硕士，副教授、工程师，研究方向为船舶类研究与教学。