本发明属于计算机视觉，尤其涉及一种鱼类异常行为识别方法和装置、系统、存储介质。
背景技术：
1、鱼类和其产品对全球粮食安全及营养策略至关重要，是人类获得蛋白质的主要途径之一。然而，随着养殖规模的不断扩大，鱼类养殖也面临着如养殖环境污染、养殖成本上升等挑战。鱼类在养殖过程中容易受到生理、心理或环境变化的影响，表现出侧卧游和翻滚游等多种异常行为状态甚至死亡。因此，如果不能及时识别和捕获这些异常行为，将会严重制约水产养殖的可持续发展。在这种背景下，对水产养殖行业的健康管理和异常行为监测成为了至关重要的问题。对鱼类进行实时监测，可以及时发现异常和死亡情况，可以有效减少鱼类死亡造成的水污染，避免鱼类大规模死亡，从而提高经济效益。
2、传统的养殖方式常常是依赖于人工观察监测，这不仅效率低下，而且难以24小时全面覆盖，易错过对异常行为的检测。近年来随着科学技术的不断发展，计算机视觉作为人工智能领域的重要分支之一，已经取得了巨大的进步。特别是在水产养殖领域。例如使用计算机视觉技术进行鱼类的性别识别和质量检测、鱼类行为识别、鱼类生长状况监测和鱼体颜色变化等。随着深度学习等人工智能(ai)技术的发展，特别是在图像处理(目标检测、语义分割等)方面都表现出了显著的优势，逐渐成为异常鱼类检测领域的研究热点和应用首选，为智慧养殖提供了更加自动化和智能化的方法。特别是在目标检测方面，目标检测的方法可以分为一阶段和二阶段两种类型。一阶段方法直接在图像中预测目标的位置和类别，其中的代表如ssd、yolo等，而二阶段方法先生成候选框，然后再对候选框进行分类和回归，其中的代表如faster r-cnn、mask r-cnn等。虽然二阶段方法在准确率上通常更优，但一阶段方法在速度和简单性上更具优势。在一阶段目标检测方法中，yolo(you only lookonce)算法是一种非常经典的代表。yolo算法将目标检测任务视为回归问题，通过单个神经网络模型直接预测图像中所有目标的位置和类别，具有较高的检测速度和较好的准确率。相比之下，传统的二阶段方法则需要多次计算和处理，速度较慢且复杂度较高。
技术实现思路
1、本发明要解决的技术问题是，提供一种鱼类异常行为识别方法和装置、系统、存储介质，解决了现在鱼类异常行为识别精度不高的问题。
2、为实现上述目的，本发明采用如下的技术方案：
3、一种鱼类异常行为识别方法，包括：
4、步骤s1、获取历史鱼类异常行为数据；
5、步骤s2、根据历史鱼类异常行为数据训练改进型yolov8模型；
6、步骤s3、将待处理的鱼类异常行为数据输入到训练好的改进yolov8模型，进行鱼类异常行为识别。
7、作为优选，步骤s1包括：
8、获取鱼类异常行为视频数据；
9、将鱼类异常行为视频数据按帧划分成鱼类异常行为图片；
10、根据鱼类异常行为图片和鱼类游泳姿势，得到鱼类异常行为数据；其中，鱼类游泳姿势包含鱼类侧游、鱼类翻肚游和鱼类漂浮。
11、作为优选，改进型yolov8模型具体为：yolov8模型主干网络的c2f结构中融合dbb，采用c2f_dbb模块来替换c2f模块；yolov8模型颈部网络neck部分添加选择性特征交互模块aifi；yolov8模型的头部部分使用共享检测头；yolov8模型的loss中采用shapeiou损失函数替换ciou损失函数。
12、本发明还提供一种鱼类异常行为识别装置，包括：
13、获取模块，用于获取历史鱼类异常行为数据；
14、训练模块，用于根据历史鱼类异常行为数据训练改进型yolov8模型；
15、识别模块，用于将待处理的鱼类异常行为数据输入到训练好的改进yolov8模型，进行鱼类异常行为识别。
16、作为优选，获取模块包括：
17、采集单元，用于获取鱼类异常行为视频数据；
18、划分单元，用于将鱼类异常行为视频数据按帧划分成鱼类异常行为图片；
19、标注单元，用于根据鱼类异常行为图片和鱼类游泳姿势，得到鱼类异常行为数据；其中，鱼类游泳姿势包含鱼类侧游、鱼类翻肚游和鱼类漂浮。
20、作为优选，改进型yolov8模型具体为：yolov8模型主干网络的c2f结构中融合dbb，采用c2f_dbb模块来替换c2f模块；yolov8模型颈部网络neck部分添加选择性特征交互模块aifi；yolov8模型的头部部分使用共享检测头；yolov8模型的loss中采用shapeiou损失函数替换ciou损失函数。
21、本发明还提供一种鱼类异常行为识别系统，包括：存储器和处理器，所述存储器上存储有由所述处理器运行的计算机程序，所述计算机程序在被所述处理器运行时执行鱼类异常行为识别方法。
22、本发明还提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序在运行时执行鱼类异常行为识别方法。
23、本发明的有益效果如下：
24、1、本发明可以实时的检测出鱼类异常行为及异常鱼的位置，可以迅速发现异常鱼类并预警，提醒人工进行水质检测、温度检测等各种可能造成鱼类出现异常行为的原因，避免后续出现大量异常鱼类甚至造成大量鱼类死亡，减少经济损失。
25、2、本发明对原始的yolov8模型做出了以下改进，增强了对鱼类行为的特征提取，极大的提高了对鱼类异常行为检测的识别精度。
1.一种鱼类异常行为识别方法，其特征在于，包括：
2.如权利要求1所述的鱼类异常行为识别方法，其特征在于，步骤s1包括：
3.如权利要求2所述的鱼类异常行为识别方法，其特征在于，改进型yolov8模型具体为：yolov8模型的主干网络的c2f结构中融合dbb，采用c2f_dbb模块来替换c2f模块；yolov8模块的颈部网络neck部分添加选择性特征交互模块aifi；yolov8模型的头部部分使用共享检测头；yolov8模型的loss中采用shapeiou损失函数替换ciou损失函数。
4.一种鱼类异常行为识别装置，其特征在于，包括：
5.如权利要求4所述的鱼类异常行为识别装置，其特征在于，获取模块包括：
6.如权利要求5所述的鱼类异常行为识别装置，其特征在于，yolov8模型的主干网络的c2f结构中融合dbb，采用c2f_dbb模块来替换c2f模块；yolov8模块的颈部网络neck部分添加选择性特征交互模块aifi；yolov8模型的头部部分使用共享检测头；yolov8模型的loss中采用shapeiou损失函数替换ciou损失函数。
7.一种鱼类异常行为识别系统，其特征在于，包括：存储器和处理器，所述存储器上存储有由所述处理器运行的计算机程序，所述计算机程序在被所述处理器运行时执行如权利要求1-3中的任一项所述的鱼类异常行为识别方法。
8.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序在运行时执行如权利要求1-3中的任一项所述的鱼类异常行为识别方法。
