利用深度迁移学习改进贻贝养殖自动化中的浮标检测

新西兰的水产养殖行业正快速扩张，尤其侧重于贻贝出口。随着贻贝养殖作业需求的持续演变，人工智能与计算机视觉技术（如智能目标检测）的融合正成为提升作业效率的有效途径。本研究深入探讨利用深度学习方法推进浮标检测，以实现智能贻贝养殖场监测与管理。主要目标在于提升跨多种真实场景的浮标检测精度与鲁棒性。我们采集并标注了源自贻贝养殖场的多样化数据集用于训练，其图像由安装于浮动平台及航行船只上的相机拍摄，涵盖了各类光照与天气条件。为在标注数据有限的情况下建立有效的浮标检测深度学习模型，我们采用迁移学习技术。这涉及调整预训练的目标检测模型，以创建专门的深度学习浮标检测模型。我们探索了不同的预训练模型，包括YOLO及其变体，并结合数据多样性以考察它们对模型性能的影响。我们的研究表明，通过深度学习浮标检测性能得到显著增强，且在多样天气条件下泛化能力改善，凸显了我们所提方法的实际有效性。