为突破水质监测传感器普遍存在因长期浸泡水中而导致检测灵敏度下降和准确率降低等技术瓶颈,研制了一种升降清洗式水质传感器管控装置。该装置采用Arduino UNO R3作为主控板,结合SIM7020 NB-IoT模块和HC-05蓝牙模块,并基于Blynk平台开发移动端应用软件,用户可以通过手机实时查看和控制设备的运行状态,实现装置的远程和近距离双模式控制。传感器支架设计为可更换结构,能够灵活配置和调节传感器的摆放位置,通过自动化升降和清洗机制,装置能够定期清除传感器探头表面的污垢,确保数据的准确性和传感器的长期稳定运行。选取水质pH和溶氧传感器进行该装置的应用对比测试。结果显示:使用该装置的pH检测传感器的检测数值与采用国标法的pH检测仪检测数值的平均相对误差仅2.13%,而未使用该装置的平均相对误差高达9.51%,具有显著差异(P<0.05);使用该装置的溶氧检测传感器的检测数值与采用国标碘量法检测数值的平均相对误差仅3.09%,而未使用该装置的平均相对误差高达10.92%,具有显著差异(P<0.05)。研究表明,该装置具有体积较小,系统运行稳定,探头清洗干净和适用场景广的优点,具有良好的推广和应用价值。
针对鱼类目标检测存在精度低和计算量大的问题,提出了一种基于改进YOLOv8模型的轻量化鱼类目标检测方法YOLOv8-FCW。首先,引入FasterNet中的FasterBlock替换YOLOv8中C2f模块的Bottleneck结构,减少网络模型的冗余计算;其次,引入注意力机制CBAM(Convolutional Block Attention Module),实现高效提取鱼体特征,提升网络模型检测精度;最后,引入动态非单调聚焦机制WIoU(Wise Intersection over Union)替代CIoU(Complete Intersection over Union),加快网络模型的收敛速度,提升网络模型的检测性能。结果显示,与原模型相比,改进YOLOv8-FCW模型精确率提升了1.6个百分点,召回率提升了5.1个百分点,平均精确率均值提升了2.4个百分点,权重和计算量分别减少为原模型的80%和79%。该模型具有较高的精确率和较强的鲁棒性,该研究能够帮助养殖者精确计算鱼群数量,提高养殖效率。