EHD-YOLO: 복합 환경에서 넙치 탐지를 위한 YOLOv8 기반 개선 모델
EHD-YOLO: An Enhanced YOLOv8-Based Model for Halibut Detection in Complex Environments
1
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
넙치 양식장 환경에서는 어류의 겹침, 수면의 물결에 따른 광학적 왜곡, 그리고 거품 발생 등 다양한 요인으로 인해 객체 탐지가 어렵다. 특히,넙치와 같이 몸체가 넓고 겹침 빈도가 높은 어종의 경우 기존 객체 인식 모델은 정확도에 한계를 보인다. 본 논문에서는 이러한 문제를 극복하기위해 YOLOv8 모델에 LSKA(Large Separable Kernel Attention), CBAM(Convolutional Block Attention Module), CARAFE(Content-AwareReAssembly of FEatures) 모듈을 추가하고, 특징 피라미드 구조를 MCFP(Multi-Convolution Focused Pyramid)로 변형하여 성능을 개선한EHD-YOLO(Enhanced Halibut Detection-YOLO)를 제안한다. 이 모델은 겹쳐 있는 넙치는 물론, 물결과 거품에 의한 영상 노이즈에도 강인한탐지 성능을 보인다. 탐지 성능 검증을 위해 다양한 피라미드 레벨에서 생성된 특징맵을 활용하였으며, YOLOv8n, CCS-YOLOv8, CBR-YOLO와같은 기존 모델과 성능을 비교한다. 성능 테스트 결과, 낮은 피라미드 레벨을 사용하는 EHD-YOLO P234 모델은 파라미터 수가 62% 감소하였으나,연산량이 1.64배 증가하여 속도 저하와 탐지 성능 감소가 나타났다. 반면, EHD-YOLO P345 모델은 연산량은 다소 높지만 기존 모델 대비 주요성능 지표(mAP, Precision, Recall 등)에서 가장 우수한 결과를 보였으며, 특히 물결, 거품, 그리고 객체 간 겹침이 발생하는 실제 양식장 환경에서도기존 모델 대비 인식 오류를 효과적으로 줄이는 성과를 확인하였다.
Abstract
In halibut aquaculture environments, object detection is particularly challenging due to multiple factors such as fish overlapping, opticaldistortions caused by water surface waves, and the occurrence of bubbles. Especially for species like halibut, which have a broad bodyshape and a high frequency of overlapping, conventional object detection models often exhibit limitations in accuracy. To address theseproblems, this paper proposes EHD-YOLO (Enhanced Halibut Detection-YOLO), an improved model that integrates LSKA (Large SeparableKernel Attention), CBAM (Convolutional Block Attention Module), and CARAFE (Content-Aware ReAssembly of FEatures) modules intoYOLOv8, while modifying the feature pyramid structure into an MCFP (Multi-Convolution Focused Pyramid) to enhance detectionperformance. The proposed model demonstrates robust detection capability not only for overlapping halibut but also against visual noiseintroduced by water surface waves and bubbles. For performance evaluation, feature maps generated at different pyramid levels wereutilized, and comparative experiments were conducted against baseline models such as YOLOv8n, CCS-YOLOv8, and CBR-YOLO. Theresults show that the EHD-YOLO P234 model, which employs lower pyramid levels, reduced the number of parameters by 62%, but itscomputational cost increased by 1.64 times, leading to slower inference speed and decreased detection accuracy. In contrast, theEHD-YOLO P345 model required relatively higher computation, yet achieved superior results across key performance metrics (mAP,Precision, Recall, etc.) compared to existing models. Moreover, in real-world aquaculture environments with overlapping fish, water waves,and bubbles, the EHD-YOLO P345 model effectively reduced recognition errors, demonstrating its robustness and applicability