Алгоритм автоматического подсчета рыб на изображении и слежения за их движением на основе нейронной модели YOLOv9t

Цель исследования. Традиционные методы, основанные на визуальном наблюдении и ручном подсчете, не только обладают очевидными ограничениями с точки зрения затрат времени и людских ресурсов, но и дают недостаточно точные результаты из-за субъективного человеческого фактора в процессе работы. Эти погрешности, даже незначительные, могут привести к ошибочным управленческим решениям, что негативно сказывается на эффективности производства в аквакультуре. 

Методы. С целью устранения указанных недостатков в данной статье представлено автоматизированное решение, использующее нейронную модель YOLOv9t для задачи обнаружения и подсчета рыбы на изображениях, выполненных под водой. Благодаря оптимизированной архитектуре нейронной модели YOLOv9t, включающей всего 2 млн параметров, продемонстрированы высокие результаты определения рыб на изображениях из набора данных DeepFish: Точность - 0.928, Полнота - 0.91, mAP50 - 0.961 и mAP50-95 - 0.584. Метод NonMaximum Suppression использован для устранения дублирующихся случаев обнаружения рыб на одной области, а применение алгоритма DeepSORT позволило непрерывно отслеживать каждую особь на последовательности кадров в видеозаписи с помощью уникальных идентификаторов. 

Результаты исследования подтвердили, что нейронная модель YOLOv9t пригодна для создания автоматизированных систем видеоаналитики в рыбоводстве для мониторинга за поведением рыб и управления активационными устройствами. Это позволяет перевести ключевые процессы контроля на полностью автоматизированную основу, оптимизируя использование ресурсов. Предложенная архитектура обеспечила высокую точность и надежность в различных условиях среды - от прозрачной до мутной воды, открывая перспективы для применения на производстве в реальных условиях эксплуатации. 

Заключение. Такая стабильность работы делает систему готовой для внедрения в промышленных масштабах с целью повышения эффективности управления хозяйством.

1. Overview of smart aquaculture system: Focusing on applications of machine learning and computer vision / T.T.E. Vo, H. Ko, J. H. Huh, Y. Kim // Electronics. 2021. Vol. 10(22). P. 2882.

2. Ji Y., et al. Design and realization of a novel hybrid-drive robotic fish for aquaculture water quality monitoring // Journal of Bionic Engineering. 2023. Vol. 20.2. P. 543-557.

3. Kruusmaa M., et al. Salmon behavioural response to robots in an aq-uaculture sea cage // Royal Society open science. 2020. Vol. 7.3. P. 191220.

4. Rastegari H., et al. Internet of Things in aquaculture: A review of the challenges and potential solutions based on current and future trends // Smart Agricultural Technology. 2023. Vol. 4. P. 100187.

5. Mandal A., Apurba R.G. Role of artificial intelligence (AI) in fish growth and health status monitoring: A review on sustainable aquaculture // Aquaculture International. 2024. Vol. 32.3. P. 2791-2820.

6. Ле В.Н., Ронжин А.Л. Обзор интеллектуальных систем управления и робототехнических задач в производстве аквакультуры // Морские интеллектуальные технологии. 2024. Vol. 63. P. 171–180.

7. Chiu M.C., et al. Development of smart aquaculture farm management system using IoT and AI-based surrogate models // Journal of Agriculture and Food Research. 2022. Vol. 9. P. 100357.

8. Ронжин А.Л, Ле В.Н., Шувалов Н. Оптимизация технологической карты допустимых системотехнических решений задачи видеоаналитики аквакультуры // Вестник Южно-Уральского государственного университета. 2024. Т. 16. С. 50-58.

9. Yang L., et al. Computer vision models in intelligent aquaculture with emphasis on fish detection and behavior analysis: a review // Archives of Computational Methods in Engineering. 2021. Vol. 28.4.

10. Quaade S., et al. Remote sensing and computer vision for marine aquaculture // Science Advances. 2024. Vol. 10.42.

11. Le V.N., Tuyen T. V., Ronzhin A. L. Fish image classification based on MobileNetV2 with transfer learning technique for robotic application in aquaculture // International Conference on Interactive Collaborative Robot. 2024. P. 201-212.

12. Tran T., Duong B., Vu Q., Le V., Glibko O., Ronzhin A. Methods and Technical Means of Nonintrusive Assessment of Fish Bio-mass and Robotic Maintenance of Cage Aquaculture // International Conference on Agriculture Digitalization and Organic Production. 2024. P. 207-215.

13. Terven J., Diana-Margarita C., Julio-Alejandro R. A comprehensive review of YOLO architectures in computer vision: From YOLOv1 to YOLOv8 and YOLO-NAS // Machine Learning and Knowledge Extraction. 2023. Vol. 5.4. P. 1680–1716.

14. Zhang Z., et al. A method for counting fish based on improved YOLOv8 // Aquacultural Engineering. 2024. Vol. 107. P. 102450.

15. Yu H., et al. An automatic detection and counting method for fish lateral line scales of underwater fish based on improved YOLOv5 // IEEE. 2023. P. 143616-143627.

16. Ле В.Н., Ронжин А.Л. Способы и технические средства позиционирования и навигации роботов в водной среде // Известия Кабардино-Балкарского научного центра РАН. 2023. Т. 6(116). С. 167–178.

17. Wu J. Introduction to convolutional neural networks // National Key Lab for Novel Software Technology. 2017. P. 495.

18. Khanam R., Muhammad H. A Review of YOLOv12: At-tention-Based Enhancements vs. Previous Versions // arXiv preprint arXiv:2504.11995. 2025.

19. Shorten C., Taghi, M. K. A survey on image data augmentation for deep learning // Journal of Big Data. 2019. Vol. 6(1). P. 1–48.

20. Zhuang Z., et al. Understanding AdamW through proximal methods and scalefreeness // arXiv preprint arXiv:2202.00089. 2022.

21. Prechelt L. Early stopping—but when? // Neural Networks: Tricks of the trade. 2002. P. 55–69.

22. Hosang J., Rodrigo B., Bernt S. Learning non-maximum suppression // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2017.

23. Wojke N., Alex B., Dietrich P. Simple online and realtime tracking with a deep association metric // 2017 IEEE International Conference on Image Processing (ICIP). 2017.

24. Wang C., Hau Y., Hong-Yuan M.L. Yolov9: Learn-ing what you want to learn using programmable gradient information // European conference on computer vision. 2024.

25. Saleh A., et al. A realistic fish-habitat dataset to evaluate algorithms for underwater visual analysis // Scientific reports. 2020. P. 14671.