俞伟聪，郭显久,2*，刘钰发，刘婷，李雅薇

(1.大连海洋大学 信息工程学院，辽宁 大连 116023；2.辽宁省海洋信息技术重点实验室，辽宁 大连 116023)

近年来，中国海珍品养殖量和需求量迅速增长，大规模商业化养殖对海珍品的检测需要投入巨大的成本。基于计算机视觉的海珍品目标检测技术可有效节约人力，降低运营成本，提高海珍品养殖自动化水平。因此，实现基于计算机视觉的目标检测技术在海珍品养殖产业上的应用，对于提高海珍品养殖的信息化程度，改善养殖条件具有重要意义[1]。

目前，轻量级的目标检测模型已经在各行业有着广泛运用。如在车辆检测领域，刘肯等[2]利用Tiny-YOLO模型实现了在真实环境下对车辆的自动识别。而目标检测在渔业领域上的发展也趋向完善，French等[4]使用卷积神经网络实现了鱼类捕捞视频监控识别；Chen等[5]采用卷积神经网络实现了野外环境下鱼类的分类和检测。随着目标检测在渔业领域应用中的推进，基于深度学习的计算机视觉技术也运用到海珍品目标检测上，并取得了一定效果。如袁利毫等[3]采用YOLOV3模型实现了水下小目标的识别并成功运用在水下海珍品抓取。

目标检测技术应用在海珍品上主要存在以下问题：一是自然环境下，海珍品大多生长在泥沙多、水质混浊的区域，在水下摄像机镜头中呈现出一种深绿色，就需要对采集的图像进行预处理；二是在大型服务器上运行的分类网络如VGG[6]等，对设备要求较高，不便于在海珍品养殖场等区域部署；……