【毕业设计】【河蟹识别微信小程序】项目总结

news/2025/2/25 1:46:10/文章来源:https://www.cnblogs.com/zkcyy/p/18735265

一、项目需求与背景

1. 项目背景与需求

　　近年来,相关水产公司以及水产研究所等,利用类似水池生态育种等群体育种方法, 共培育了“长江 1 号”、“长江 2 号”、 “光合 1 号”、“诺亚 1 号”、“江海 21 号”以及“长荡湖 1 号”总计 6 类优良品种。这些新培育的河蟹品种,不仅抗病毒性强、而且生成发育更快、肉质也十分饱满。对整个河蟹水产养殖业而言都是一项重大突破。

　　对于河蟹养殖行业而言,存在由于各种品系的河蟹形状外壳等外在特征相似度较高,非专业人士很难直接依据外部特征进行区分,而传统化学检验法又太过于繁琐的实际问题。在此背景下,设计和开发一款河蟹识别微信小程序,可以帮助相关用户更好地对河蟹品种进行识别和判断。

2. 研究内容和主要工作

　　本系统主要研究内容涉及到:基于机器学习相关算法,收集并组织河蟹图片集合, 用于读取河蟹图片的特征(例如形状、斑点、颜色、纹理等等),从而训练出河蟹的识别模型,根据该算法作为后端识别模块。并根据相关用户和行业人员的需求,建立合理且完善的后端数据库,然后通过使用 Spring Boot 相关后端框架搭建好整个系统的后端模块。在前端考虑到项目的通用性,选择在 uni-app 框架下搭建小程序前端项目,通过一套代码即可适配包括 Android 、IOS、Web 网站、还有其他各平台的小程序端,使用一些较为美观的组件方便用户体验和优化用户感官。而对于 Web 端的管理系统而言,则是基于 Vue 框架配合 Element 相关组件,搭建了一套可供管理整个项目后端数据的管理平台。　　本系统的主要工作为:

河蟹图像集的采集与预处理工作:收集不同品种、场景下的河蟹图形集,并对收集到的图像进行预处理操作,例如调整图像大小像素、灰度化处理等等;
河蟹识别特征提取:从河蟹识别集合中提取出能有效区分图像类型(河蟹和非河蟹)、和不同品种(长江 1 号等河蟹分类)的特征,例如外壳、形状、斑点、花纹、颜色等;
使用第三方算法训练识别模型:根据上述提取出的特征,使用第三方的基于 yolov5 的河蟹识别算法,建立河蟹识别模型,并使用上面已处理好的河蟹图像训练集来训练和优化该识别模型;
后端模块的设计和开发:结合用户和项目需求,设计合理完善的数据库,并基于SSM 后端框架完成相关功能接口的开发和设计,同时也可以接入一些第三方 API 来提升用户体验(如腾讯短信服务、支付宝沙箱支付等);
微信小程序模块的设计与开发:基于 uni-app 框架,配合 uView 组件进行微信小程序端的设计与开发,要考虑到用户的实际操作体验和需求,实现用河蟹的种类识别、个体识别、生物识别、注册登录、数据查看等等相关功能模块。同时也需要考虑界面设计、用户体验、数据安全等其他问题;
Web 管理系统模块的设计与开发:基于 Vue 框架,结合 Element 相关界面组件进行前端管理系统的设计与开发,主要根据后端的数据类型和业务流程进行考虑,可以充分的查看到整个项目的数据变动和数据的管理;
系统测试和性能评估:对最终完成的河蟹识别小程序进行软件测试,测试系统的功能是否完善,运行流程是否正常。并进行性能评估,包括识别精度、系统健壮性、适配性、负载能力等性能指标进行评估;

二、论文算法

《基于改进YOLOv5算法的中华绒螯蟹品系识别算法》

YOLOv5是一种目标检测模型，它继承了YOLO系列模型的特点，并在网络结构上进行了优化，提高了检测性能和效率‌。

YOLOv5的主要架构包括以下几个部分：

‌Backbone（主干网络）‌：负责提取输入图像的多层次特征。YOLOv5使用CSPNet作为特征提取器，通过将特征图分成两部分，分别在不同的路径上进行处理，再将结果合并，从而减少计算量并提高模型性能‌12。
‌Neck（颈部网络）‌：进行特征融合和多尺度特征处理。通常包含FPN（特征金字塔网络）等结构，用于结合不同尺度的特征图，增强模型对不同大小物体的检测能力‌。
‌Head（输出层）‌：负责生成最终的检测结果，包括边界框的位置、物体类别及置信度。对于每个锚框，YOLOv5会输出边界框坐标、类别概率和置信度等信息‌。

此外，YOLOv5在训练过程中还采用了一些策略来提高模型的性能，如Mosaic数据增强、自适应锚框计算、自适应图片缩放等‌。

摘要

‌问题提出‌：中华绒螯蟹品系外壳特征相似度高，养殖人员难以直接区分。
‌解决方案‌：提出基于YOLOv5s的改进算法YOLOCrab，引入Swin-Transformer和Shuffle Attention模块，优化损失函数。
‌实验结果‌：在精确率、召回率、平均精度均值上分别达到94.2%、94.8%、98.5%，相比原始YOLOv5算法有所提升。

1. 引言

‌背景‌：中华绒螯蟹是重要的水产养殖物种，但养殖过程中存在种质退化和混杂问题。
‌目的‌：提出基于YOLOv5的河蟹品系识别算法YOLOCrab，解决养殖人员难以区分蟹品系的问题。

2. YOLOv5算法

‌简介‌：YOLOv5是一种单阶段目标检测算法，分为YOLOv5n、YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x五个版本。
‌核心思想‌：通过数据增强、网格划分、锚框预测和非极大值抑制实现目标检测。
‌组成部分‌：主干网络（特征提取）、颈部网络（多尺度信息融合）、预测层（预测物体）。

3. YOLOCrab算法

‌改进点‌：
- ‌引入Swin Transformer模块‌：提高蟹壳特征提取能力。
- ‌引入Shuffle Attention模块‌：提升模型对蟹壳的关注度。
- ‌优化损失函数‌：引入EIOU损失函数，加速模型收敛。

4. 实验分析

‌实验环境‌：Windows11专业版，Intel Core i7-12700KF，NVIDIA GeForce RTX3080Ti，Python3.9，PyTorch 1.10.1。
‌数据集‌：上海海洋大学提供的4种不同品系中华绒螯蟹图像，共计14613张。
‌评估指标‌：FPS、精确率、召回率、mAP@0.5。
‌实验结果‌：
- YOLOCrab算法在精确率、召回率、mAP@0.5上分别提升了0.6%、2.4%、1.3%。
- 消融实验证明每个改进点的有效性。
- YOLOCrab检测速度略有下降，但仍满足实时检测需求。