排序方式： 共有2条查询结果，搜索用时 156 毫秒
1
1.
【目的】提高在水体浑浊和鱼群高密度聚集等复杂环境中的鱼群检测精度。【方法】提出一种基于双层路由注意力机制（BiFormer）和Normalized Wasserstein Distance(NWD)损失函数的改进YOLOv7的密集鱼群计数检测方法。在保留细粒度特征的基础上,提高模型对多尺度特征的学习能力,同时降低模型对模糊图像中小目标位置偏差的敏感性,加强对浑浊水域中鱼群的识别能力。为评估该模型的有效性,在红鳍东方鲀（Takifugu rubripes）数据集上与其他网络模型进行对比实验。【结果】该方法在红鳍东方鲀数据集上的准确率和召回率分别达到98.05%和97.69%,平均精度达到99.10%,较YOLOv7相比分别提升2.46%、3.73%和2.62%。与目前检测准确率较高的其他水下目标检测模型相比,平均精度平均提高4.25%。【结论】实现真实养殖环境下浑浊水域中鱼群的准确检测,有助于科学指导工业化水产养殖的生产管理,提高养殖效率,减少资源浪费。 相似文献
2.
渔船轨迹数据属于具有强时空关联的时间序列数据,相较于普通轨迹具有形状多变无规律、单条轨迹点数量不统一等特点。在使用传统相似度索引构建的查询算法中,常由于以上原因造成索引构建缓慢,查询速度下降。为解决以上问题,提出了基于Geohash和动态网格的渔船轨迹相似度搜索算法。针对渔船轨迹数据形状多变问题,基于Geohash构建可变动态网格结构,利用Geohash的唯一性所构建的网格路径范围进行轨迹查询,直接对网格路径内所包含的其他轨迹点进行计数,并加入时间维计算以保证查询轨迹与被查询轨迹处于同一时间维度;通过计算结果轨迹点数量与轨迹点总数量之间的比值解决轨迹点数量不一致的问题。为验证所提出方法的有效性,使用真实渔船轨迹数据进行实验,并与传统方法进行了比较。实验结果表明,所提出的方法能够有效提高渔船轨迹数据的索引构建速度和查询速度,为进一步数据分析提供有效的数据支撑。 相似文献
1