Implementation of YOLOv5 for Fingerling Detection under Turbid Conditions in an Ex-Tin Mining Pond

方法

YOLOv5目标检测+浊度传感器+图像增强数据集，引入浊度校正因子补偿高浊度下的

发现

模型准确率98%、精确率100%、召回率96%；浊度超85 NTU且高密度时漏计，校正后提升可靠性。

机会点

可探索多模态浊度自适应模型与边缘部署，拓展至其他浑浊养殖水体的多物种苗种计数。

在邦加勿里洞，利用废弃锡矿池塘进行淡水养殖需要可靠的监测技术，尤其是在水体透明度变化条件下进行鱼苗计数。人工计数耗时费力，且可能因反复操作而增加鱼类应激。本研究开发了一种便携式尼罗罗非鱼鱼苗实时检测系统，将基于YOLOv5的图像处理与浊度传感相结合。该系统使用摄像头进行图像采集，嵌入式计算单元进行目标检测，浊度传感器在测试过程中测量水体透明度。研究采集、标注并增强了尼罗罗非鱼鱼苗图像数据集，以提高模型在不同朝向、密度和视觉条件下的泛化能力。实验结果表明，YOLOv5模型达到了98%的准确率、100%的精确率、96%的召回率、100%的特异度以及0.98的F1分数。在低鱼苗密度下检测性能保持稳定，而在高密度条件下当浊度超过约85 NTU时出现漏计。为解决这一局限，引入了基于浊度的校正因子，以补偿因对比度降低、散射和目标重叠造成的检测损失。该系统在连续运行期间还保持了稳定的推理性能，表明其用于便携式水产养殖监测的可行性。这些发现表明，将计算机视觉与浊度感知校准相结合，可以提高在具有挑战性的采矿后水生环境中鱼苗计数的可靠性。