一种基于关键点检测和立体视觉的非侵入式水下鱼类测量集成方法

《Aquaculture International》：An integrated method for non-intrusive underwater fish measurement based on keypoint detection and stereo vision

　　非侵入式深海鱼类三维测量方法研究，基于立体视觉与YOLOv8n-pose模型实现复杂水下环境高精度关键点检测，结合SGBM算法构建三维坐标拟合模型，实验表明体长测量误差12.76%，高度误差11.64%，mAP@50达98.8%，优于传统HRNet模型。

　　

为了解决深海水产养殖中鱼类体型非侵入式和动态监测的难题，本文提出了一种基于立体视觉的三维鱼类体型测量方法。构建了一个包含七类鱼类关键点的数据库，并通过将“你只需看一次”（You Only Look Once, YOLOv8n）版本8n与姿态估计（YOLOv8n-pose）模型相结合，实现了在复杂且动态的水下环境中对关键点的高精度检测。通过将立体相机校准与半全局块匹配（Semi-Global Block Matching, SGBM）算法相结合，开发了一种三维坐标拟合模型来估算鱼类的体长和体高。实验结果表明，用于构建三维非侵入式鱼类检测模型的数据集在体长方面的正态性检验通过（p = 0.027），Bland–Altman分析中的95%一致性范围为-2.1至3.5厘米。对于体高，p值为0.104，95%的差异范围在±1.2厘米以内，表明该方法满足了水产养殖监测的精度要求。所提出的方法在mAP@50指标上达到了98.8%，比传统的高分辨率网络（HRNet）模型提高了13.2%。体长和体高的平均相对误差分别为12.76%和11.64%，证明了该方法在智能水产养殖中的有效性和适用性。