摘 要：智慧海洋是智慧农业的基础性工程。文章针对传统方法无法解决高密度粘连情况下虾苗计数精度较差的问题，提出了一种基于改进 Unet 的虾苗密度估计算法。鉴于现有虾苗数据集不足，收集并标记了一个针对虾苗计数的数据集（Dlou_Shrimp）。在该数据集上对所提出的算法进行了测试，实验结果表明该算法可以解决虾苗计数中的遮挡与粘连问题，可为其他领域的密度估计提供全新的思路。
关键词：虾苗计数；密度估计；神经网络；深度学习
DOI:10.19850/j.cnki.2096-4706.2021.17.003
基金项目：辽宁省教育厅项目（L201625）
中图分类号：TP273+.4 文献标识码：A 文章编号：2096-4706（2021）17-0012-06
A Shrimp Seedling Density Estimation Method Based on Improved Unet
WANG Qi 1,2,3 , MENG Juan1,2,3
(1.School of Information Engineering, Dalian Ocean University, Dalian 116023, China; 2.Key Laboratory of Environment Controlled Aquaculture, Ministry of Education, Dalian 116023, China; 3.Key Laboratory of Marine Information Technology of Liaoning Province, Dalian 116023, China)
Abstract: Smart ocean is the basic project of smart agriculture. Aiming at the problem that the traditional methods can not solve the poor counting accuracy of shrimp seedlings in the case of high-density adhesion, an shrimp seedling density estimation algorithm based on improved Unet is proposed in this paper. In view of the shortage of existing shrimp seedling data sets, a data set for shrimp seedling counting (Dlou_ Shrimp) is collected and marked. The proposed algorithm is tested on the data set, the experimental results show that the algorithm can solve the problems of occlusion and adhesion in shrimp seedling counting, and can provide a new idea for density estimation in other fields.
Keywords: shrimp seedling count; density estimation; neural network; deep learning
参考文献：
[1] 罗茵 .《2020 中国渔业统计年鉴》出版 广东水产品总产量首次全国第一 [J]. 海洋与渔业，2020（6）：12-13.
[2] 周飞燕，金林鹏，董军 . 卷积神经网络研究综述 [J]. 计算机学报，2017，40（6）：1229-1251.
[3] KIM S H，AHN H W，WANG H O. A study on the Adaptive Neural Controller with Chaotic Dynamic Neural Networks [J]. International Journal of Fuzzy Logic and Intelligent Systems，2007，7 （4）：236-241.
[4] 付宇豪 . 基于卷积神经网络的人群计数算法研究与应用 [D]. 北京：北京工业大学，2019.
[5] 王金凤，胡凯，江帆，等 . 基于改进深度学习模型的鱼群密度检测试验研究 [J]. 渔业现代化，2021，48（2）：77-82.
[6] 汪梦婷，袁飞，程恩 . 鱼类目标的密度估计模型 [J]. 哈尔滨工程大学学报，2020，41（10）：1545-1552.
[7] ZHANG W，WANG Y J，LIU Y Y. Deep Convolution Network for Dense Crowd Counting [J].IET Image Processing，2020，14（4）： 621-627.
[8] 刘洋，张胜茂，王斐，等 . 海洋捕捞鱼类 BigH 神经网络分类模型设计与实现 [J]. 工业控制计算机，2021，34（6）：18- 20.
[9] 范大岳 . 罗氏沼虾苗的 A 型光电计数器 [J]. 渔业现代化，1986（3）：18-20.
[10] 黄应生，许斐力，马应森 .YJ-2 型鱼苗计数器 [J]. 渔业机械仪器，1989（3）：29-30+20.
[11] 张康德 . 框格式鱼虾苗计数法 [J]. 适用技术市场，1997 （9）：11.
[12] 薛志宁，段吉旺 . 应用重量法计量出池日本对虾虾苗的研究 [J]. 河北渔业，2000（5）：11-12+15.
[13] 季玉瑶，魏伟波，赵增芳，等 . 基于改进 TV-L1 模型的虾苗计数方法 [J]. 青岛大学学报：自然科学版，2018，31（4）： 62-68+82.
[14] 范松伟，林翔瑜，周平 . 基于改进的卷积神经网络的虾苗自动计数研究 [J]. 渔业现代化，2020，47（6）：35-41.
[15] 于秋玉.基于改进YOLOv4的虾苗智能识别算法研究 [J]. 河南科技，2021，40（6）：25-28.
[16] WOO S，PARK J，LEE J Y，et al. CBAM: Convolutional Block Attention Module [C]//European Conference on Computer Vision. Cham：Springer，2018：3-19.
[17] HU J，LI S，ALBANIE S，et al. Squeeze-and-Excitation Networks [J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2020，42（8）：2011-2023.
[18] NUALART E，SARDANYONS L Q. Gaussian estimates for the density of the non-linear stochastic heat equation in any space dimension [J]. Stochastic Processes and their Applications，2011，122 （1）：418-447.
[19] WANG B Y，LIU H D，SAMARAS D，et al. Distribution Matching for Crowd Counting [J].Computer Science，2020（v2）： 135-137.
[20] GABRIEL P，MARCO C. Computational Optimal Transport [J].Foundations and trends in machine learning，2019，11（5-6）： 355+206.
[21] LARADJI I H，ROSTAMZADEH N，PINHEIRO P O，et al. Where are the Blobs: Counting by Localization with Point Supervision [C]// Computer Vision-ECCV 2018.Cham：Springer，2018：560-576.
作者简介：王琪（1996—），男，汉族，辽宁瓦房店人，硕士研究生在读，研究方向：深度学习；孟娟（1981—）女，汉族，山 东龙口人，副教授，博士，研究方向：非线性控制、复杂网络同步。