基于YOLOv5的魚塘養殖系統設計

王琰，郭祺赟，畢美華

(杭州電子科技大學通信工程學院，浙江杭州，310016)

0 引言

近年來，隨著水產養殖業規模的迅速加大和監控設備的普及，智能化的養殖狀態監測和信息管理技術受到越來越廣泛的關注[1]。本文從魚塘養殖環境進行分析，設計了一套基于YOLOv5的魚塘養殖系統。此系統不僅可以實時監測水體環境因素，還可以通過機器學習模型實現魚類的分類，方便記錄魚體活動，并針對魚類行為進行深入分析，反映魚體的生存情況[2]，提高養殖效率，降低人工成本。

1 系統設計方案

本系統主要分為水質監測與目標檢測兩個部分。水質監測部分中，使用嵌入式單片機STM32與各類傳感器進行數據的讀取和分析，樹莓派與STM32之間使用串口通信協議獲取傳感器采集得到的數據，再將傳感器的數據信息傳輸給Flask框架部署的Web端顯示。目標檢測部分使用樹莓派自帶的攝像頭進行拍照，然后使用已經訓練好的模型進行識別，使用的模型基于yolov5，最后將識別結果傳輸到Flask框架，顯示在網頁上。圖1為機器學習和FLASK框架的養殖監測設計的結構圖。

圖1 系統結構

2 基于單片機系統的水質監測模塊

在水質監測模塊中，使用嵌入式單片機獲取傳感器數據。單片機通過可以感知水質環境的各類傳感器進行交互，并且通過定時循環，可以做到定時采樣環境數據并且將原始數據進行處理打包，然后與樹莓派進行串口通信[3]，將采集到的水質數據發送給樹莓派，水質檢測模塊的系統框圖如圖2所示。

圖2 水質監測模塊系統框圖

在傳感器交互端，本系統采用了四種傳感器來獲取水質數據，分別是溫度采集、濁度采集、pH采集和溶解氧采集。通過這四種傳感器，可以獲得較為準確的水質數據，同時這四種水質數據對于魚類養殖有著至關重要的作用。

對于魚塘的溫度采集，雖然單片機內部自帶了溫度傳感器，但是因為芯片發熱導致溫升較大等問題，與實際溫度差別較大，并且制作防水外殼費時費力，難度大。因此本系統采用外接的方式，使用數字溫度傳感器DS18B20來得到較為準確的水溫。DS18B20的工作電壓范圍為3-5.5V，接線方便，封裝靈活，可以使用防水探頭工作，體積小，功耗低，抗干擾能力強，使得系統設計較為靈活，還可以在更為復雜的環境下使用。同時它有掉電儲存機制，設定的溫度分辨率會儲存在EEPROM中，以便在通電時直接讀取使用，不需要再次校正。利用單總線技術來使得單片機與其進行通信，只需要一條口線即可以實現雙向通信。

濁度采集使用專用的總溶解固體（TDS）傳感器進行測量。其激勵源為交流信號，可以有效防止探頭極化，并且可以使用防水探頭工作，長期浸于水中采集數據。TDS傳感器在使用前需要進行校準修正參數，在測量過程中，其會根據總溶解固體量輸出一個模擬電壓，單片機使用內部模數轉換模塊采集這個電壓，并最后將其量化轉換成相應的溶解性固體總量。

pH采集電路由穩壓源電路、電壓跟隨電路與信號放大電路組成。與TDS傳感器一樣，采集pH使用的傳感器在使用前也需要進行校準。其校準方法為將pH傳感器的電極分別放入pH值不同的標準溶液中，并調節電位器旋鈕使模擬輸出口輸出電壓到指定值附近。pH傳感器使用防水探頭進行采集工作，輸出的模擬電壓值，需要通過單片機進行電壓采集與模數轉換，得到pH值結果。

溶解氧采集傳感器在使用前需要進行兩點校準，即校準不同溫度下的飽和溶解氧。使用兩點校準可以進行溫度補償計算，適用于寬溫度范圍的溶解氧測量。當溫度固定時，電壓與溶解氧濃度成線性關系，可以由輸出電壓轉換得到水中的溶解氧。

本系統所使用的樹莓派4B擁有兩個串口，分別是硬件串口ttyAMA0與mini串口ttyS0。其中硬件串口ttyAMA0有單獨的波特率時鐘源，性能好，穩定性強，默認分配給藍牙模塊使用；而mini串口ttyS0相對功能簡單，穩定性較差，并且波特率由CPU內核時鐘提供，受內核時鐘影響，默認分配給GPIO串口TXD0和RXD0。在樹莓派4B中，TX對應GPIO口8腳，RX對應GPIO口10腳。但在使用過程中需要注意，mini串口的波特率隨CPU內核時鐘的變化而變化，如果使用該串口經常會導致因時鐘頻率發生變化而產生的錯誤，因此需要將硬件串口映射到GPIO串口上，以保證串口信息交換的穩定，而硬件串口默認是分配給板載藍牙使用，所以需要首先釋放掉硬件串口，并將其映射到GPIO串口。

讀取傳感器信息的是自制的STM32F407最小系統板，使用串口1，對應的TXD為PA9，RXD為PA10。樹莓派發送定時信息到STM32，STM32在接收到消息后觸發串口中斷，STM32將當前采集到的溫度、PH值、水質濁度和溶解氧信息回傳給樹莓派，以完成對水質數據信息的獲取，樹莓派接收信息后刷新網頁，以實現數據在網頁上的動態更新。

3 基于YOLOv5的目標檢測模塊

首先，YOLOv5相比于早先的模型，例如Fast R-CNN，先前的檢測模型使用的是利用分類器或者定位器來執行檢測，先生成可能的大邊框，再將模型應用與檢測多個位置和比例的圖像。將檢測到圖像較大可能性的區域作為結果。但是從YOLOv3開始，yolo就開始使用完全不同的方法進行預測，將單個神經網絡應用于整個圖像，將圖像劃分成多個區域，預測區域邊框和概率，因為在測驗的時候采用的是全局上下關聯生成，所以有較快的速度。

其次，YOLOv5相較于YOLOv3，在性能上有著很大的提升。我們使用的模型是根據YOLOv5s進行更改的，YOLOv5s是YOLOv5系列中特征圖寬度最小、深度最淺的模型。所以YOLOv5s的模型是最小的也是需要算力最少的一個模型。通過對比YOLOv5s和YOLOv5的其他模型，可以明顯的看到YOLOv5的網絡最小，速度最快但是AP精度較低，考慮到我們只檢測魚類的檢測，同時樹莓派只能通過中央處理器進行運算，無專用的圖形處理器，其算力極低。因此yolov5s很適合我們在樹莓派上進行目標檢測。

如圖3所示，YOLOv5主要分為四個部分，分別是輸入端，Backbone，Neck，Prediction。

圖3 YOLOv5架構

相比YOLOv3輸入端增加了Mosaic數據增強，自適應瞄框計算，自適應圖片縮放。Mosaic為使用四張圖片進行隨機縮放剪裁，隨機排布的方式進行拼接。使用這種方法可以提高檢測數據集的豐富性，隨機縮放也可以提升對于小目標的檢測。有利于我們在需要檢測多條魚時出現較多小目標的時候的目標檢測。自適應瞄框是不斷優化初始瞄框，提高瞄框的準確度。在YOLOv3、YOLOv4中，訓練不同的數據集時，計算初始錨框的值是通過單獨的程序運行的。在網絡訓練中，網絡在初始錨框的基礎上輸出預測框，進而和真實框groudtruth進行比對，計算兩者差距，再反向更新，迭代網絡參數。但YOLOv5中將此功能嵌入到代碼中，每次訓練時，自適應的計算不同訓練集中的最佳錨框值。自適應圖片縮放可以減少在檢測時候的計算量，有利于提高檢測速度。

在Backbone加入了Focus結構和CSP結構，在focus結構中以切片操作為主，將圖片從608*608*3轉化為304*304*12的特征圖，經過卷積核之后變成了304*304*32的特征圖。CSP結構中采用兩種不同的CSP結構，在Yolov5s網絡中，CSP1_X結構應用于Backbone主干網絡，另一種CSP2_X結構則應用于Neck中，提高了檢測的準確度和效率。CSPNet(Cross Stage Partial Network)：跨階段局部網絡，可以緩解以前需要大量推理計算的內容。增強了學習能力，并且能夠在較少算力和內存的情況下保持較好的準確性。

在Neck中加入了FPN+PAN結構，采用借鑒CSPnet設計的CSP2結構，提高了網絡特征的融合能力。在Prediction中加入了GIOU_Loss。

4 基于Flask框架的Web頁面顯示

本系統使用Flask框架進行Web頁面的顯示。擁有豐富的工具包與活躍的開源社區Python語言，在Web開發數據可視化等領域的價值日漸增長。Flask[4]是由Python實現的一個Web微框架，讓我們可以使用Python語言快速實現一個網站或Web服務。通過該框架，從后端向前端發送數據，前端拿到數據進行處理，可以通過折線圖或者表格的形式，將數據以可視化的方式展現出來，使數據更加客觀、更具說服力，能讓用戶清楚的獲得各種數據信息。使用樹莓派作為服務器，樹莓派使用ubuntu20.04，系統裝有Python3，可以完美運行pytorch以進行yolov5的圖像識別，同時運行Flask框架比較方便。

現代Web框架使用路由技術來幫助用戶記住應用程序URL，可以直接訪問所需的頁面，而無需從主頁導航。route裝飾器是用于把一個函數綁定到一個 URL 上。導入Flask類，使用命令“app = Flask(__name__)” 創建此類的實例。使用命令“@app.route(‘’)”設置參數，即可設置路由映射到下一行的函數。比如設置為“/”時，則每次訪問該頁面時都將執行該路由映射的函數。同時，該行代碼還支持擴展，可以使用methods參數指定可接受的請求方式，如“GET”、“POST”等。在html文件中使用“href=”來使用鏈接，完成路由。使用“$.post(“”)”來使用post請求方式，該操作還可以將前端的參數傳送到后端。Flask框架還可以調用”render_template()”方法來渲染模板。在當前目錄下，創建一個名為template的子目錄，在該目錄下保存網頁html5文件，即可通過return render_template(index.html’)來渲染模板，使頁面更豐富。添加參數，**變量名，即可直接傳遞改變量。比如輸入一個字典的名稱即可將該字典中包含的參數和信息傳遞到后端。

通過該方式傳遞溫度信息、水質信息和PH值到網頁上進行顯示。圖4為頁面顯示結果。

圖4 Web端目標檢測結果顯示

5 結束語

本系統設計基于傳感器與機器學習方案，實現了基于YOLOv5的魚塘養殖系統。通過對多種傳感器進行分析和比對，綜合了系統成本及傳感器精度等因素，選取了較為合適的傳感器，以實現對水質數據的測量。同時，本文通過樹莓派系統和自主搭建的基于FLASK的網站，實現了對水質數據的網絡傳輸以及存儲，并且為用戶提供了清晰的用戶界面，為用戶提供了便利。同時，本方案借助機器學習及YOLOv5s模型，對常用魚塘養殖魚類進行分析，能夠快速準確的識別常用魚類，方便了用戶對不同的魚類的分辨，實現了對魚類的智能識別功能。