РЫБНОЕ ХОЗЯЙСТВО, АКВАКУЛЬТУРА И ПРОМЫШЛЕННОЕ РЫБОЛОВСТВО
Научная статья
УДК 639.2:528.7(282.247.418.2)
DOI: doi.org/10.48612/dalrybvtuz/2025-72-13
EDN: TFOFXY
Метод количественного учета производителей нерки р. Озерная на рыбоучетном заграждении с помощью компьютерного зрения
Кирилл Михайлович Малых
Камчатский филиал Всероссийского научно-исследовательского института рыбного хозяйства и океанографии, Петропавловск-Камчатский, Россия
заведующий лабораторией промышленного рыболовства
ORCID: 0000-0002-7085-3776
e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.
Артём Валерьевич Сошин
Камчатский филиал Всероссийского научно-исследовательского института рыбного хозяйства и океанографии, Петропавловск-Камчатский, Россия
старший специалист лаборатории промышленного рыболовства
e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.
Михаил Николаевич Коваленко
Камчатский филиал Всероссийского научно-исследовательского института рыбного хозяйства и океанографии, Петропавловск-Камчатский, Россия
кандидат технических наук, доцент, советник руководителя
e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.
Аннотация. В ходе исследований проанализированы возможные варианты реализации алгоритма обнаружения и учета рыб при помощи компьютерного зрения. Разработан алгоритм обнаружения рыб при помощи нейросети, который наиболее оптимально использует аппаратные ресурсы маломощной системы. Проведён анализ результатов сравнения учета рыб на фотографиях при помощи нейросети и визуальным методом на рыбоучетном заграждении, предложена возможная альтернатива действующей методике учета.
Ключевые слова: нерка, искусственная нейросеть, учет производителей, р. Озерная, рыбоучетное заграждение
Список источников
1. Малых К. М., Сошин А. В., Шабуров А. Ю., Коваленко М. Н. Применение искусственной нейросети для учета рыб на рыбоучетном заграждении // Рыбохозяйственный комплекс России: 300 лет российской академической науке : материалы II Междунар. науч.-практ. конф., Москва, 27–28 марта 2024 г. М. : ФГБНУ «ВНИРО», 2024. С. 205–210.
2. Видеть насквозь: разбираемся, что такое машинное зрение и для чего оно нужно // Сетевое издание VokrugSveta.ru [Электронный ресурс]. URL : https://www.vokrugsveta.ru/articles/videt-naskvoz-razbiraemsya-chto-takoe-mashinnoe-zrenie-i-dlya-chego-ono-nuzhno-id720626/.
3. Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi You Only Look Once: Unified, Real-Time Object Detection // IEEE Conference on Computer Vision and Pattern Recognition. 2015 [Электронный ресурс]. URL : https://arxiv.org/pdf/1506.02640.pdf.
4. Georgios Nanos Object Detection: SSD Vs. YOLO [Электронный ресурс]. URL : https://www.baeldung.com/cs/object-detection-ssd-yolo.
5. Dr. G. Kiruthiga, MAHSHIYA V.M and MANJU V.M. "A SURVEY ON OBJECT DETECTION TECHNIQUES USING TENSORFLOW, KERAS AND YOLO" // Internation Journal Of Advance Research And Innovative Ideas In Education. 2022. Vol. 8. Issue 4. P. 495–500.
6. Wei Wang Advanced Auto Labeling Solution with Added Features // Github repository, 2023 [Электронный ресурс]. URL : https://github.com/CVHub520/X-AnyLabeling.
7. Официальный сайт Anaconda [Электронный ресурс]. URL : https://www.anaconda.com/.
8. Официальный сайт проекта Ultralytics YOLO [Электронный ресурс]. URL : https://github.com/ultralytics/ultralytics.
© Малых К. М., Сошин А. В., Коваленко М. Н., 2025
Для цитирования: Малых К. М., Сошин А. В., Коваленко М. Н. Метод количественного учета производителей нерки р. Озерная на рыбоучетном заграждении с помощью компьютерного зрения // Научные труды Дальрыбвтуза. 2025. Т. 72, № 2. С. 142–153.
Статья поступила в редакцию 21.03.2025; одобрена после рецензирования 31.03.2025; принята к публикации 06.05.2025.
Original article
Method of accounting of sockeye salmon of the Ozernaya River at a fish-counting fence using computer vision
Kirill M. Malykh
Kamchatka Branch of the Russian Federal Research Institute of Fisheries and Oceanography, Petropavlovsk-Kamchatskiy, Russia
Head of the Commercial Fishery Laboratory
ORCID: 0000-0002-7085-3776
e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.
Artem V. Soshin
Kamchatka Branch of the Russian Federal Research Institute of Fisheries and Oceanography, Petropavlovsk-Kamchatskiy, Russia
Senior Specialist of the Commercial Fishery Laboratory
e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.
Mikhail N. Kovalenko
Kamchatka Branch of the Russian Federal Research Institute of Fisheries and Oceanography, Petropavlovsk-Kamchatskiy, Russia
PhD in Technical Sciences, Associate Professor, Advisor to the Head
e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.
Abstract. During the research, possible options for implementing an algorithm for detecting and counting fish using computer vision were analyzed. An algorithm for detecting fish using a neural network was developed, which most optimally uses the hardware resources of a low-power system. An analysis of the results of comparing fish counting in photographs using a neural network and a visual method on a fish-counting fence was carried out, and a possible alternative to the current accounting method was proposed.
Keywords: sockeye salmon, artificial neural network, accounting of producers, Ozernaya River, fish-counting
© Malykh K. M., Soshin A. V., Kovalenko M. N., 2025
For citation: Malykh K. M., Soshin A. V., Kovalenko M. N. Method of accounting of sockeye salmon of the Ozernaya River at a fish-counting fence using computer vision. Scientific Journal of the Far Eastern State Technical Fisheries University. 2025; 72(2): 142–153. (in Russ.).
The article was submitted 21.03.2025; approved after reviewing 31.03.2025; accepted for publication 06.05.2025.