网站导航
> 技术文档 > Baumer工业相机堡盟工业相机如何通过YoloV8深度学习模型实现水下鱼类识别（C#代码，UI界面版）

Baumer工业相机堡盟工业相机如何通过YoloV8深度学习模型实现水下鱼类识别（C#代码，UI界面版）

网友: 技术文档 2025-07-26 20:31:53

在这里插入图片描述

Baumer工业相机堡盟工业相机如何通过YoloV8深度学习模型实现水下鱼类识别（C#代码，UI界面版）

  • 工业相机使用YoloV8模型实现水下鱼类识别
  • 工业相机通过YoloV8模型实现水下鱼类识别的技术背景
  • 在相机SDK中获取图像转换图像的代码分析
    • 工业相机图像转换Bitmap图像格式和Mat图像重要核心代码
    • 本地文件图像转换Bitmap图像格式和Mat图像重要核心代码
    • Mat图像导入YoloV8模型重要核心代码
    • 代码实现演示（实现水下鱼类识别）
  • 源码下载链接
  • 工业相机通过YoloV8模型实现水下鱼类识别的行业应用
  • 关键技术细节

​

工业相机使用YoloV8模型实现水下鱼类识别

本项目集成了 YOLOv8 检测模型 与 C#图形界面工具，实现了包括图片、文件夹、视频与摄像头等多种输入方式的实现水下鱼类识别功能。

Baumer工业相机堡盟相机是一种高性能、高质量的工业相机，可用于各种应用场景，如物体检测、计数和识别、运动分析和图像处理。

Baumer的万兆网相机拥有出色的图像处理性能，可以实时传输高分辨率图像。此外，该相机还具有快速数据传输、低功耗、易于集成以及高度可扩展性等特点。
​
Baumer工业相机由于其性能和质量的优越和稳定，常用于高速同步采集领域，通常使用各种图像算法来提高其捕获的图像的质量。

本文以Baumer工业相机作为案例进行演示，实现将工业相机的图像或者本地图像导入Yolo模型从而实现水下鱼类识别等功能。

工业相机通过YoloV8模型实现水下鱼类识别的技术背景

本文通过C#中实现一个简单的UI界面，用于将YoloV8模型实现水下鱼类识别

用户可以通过该界面执行以下操作：

  1. 转换相机图像为Mat图像：通过YoloV8模型实现水下鱼类识别的分类检测

  2. 转换本地图像为mat图像：通过YoloV8模型实现水下鱼类识别的分类检测

通过这个UI界面，用户能够在实时应用机器视觉数据处理时快速有效地进行操作，无需深入了解图像数据的底层处理过程。这个简单的介绍旨在为开发人员提供一个明确的方向，以便开始构建此类应用程序，并且该程序主要用于演示目的。

在相机SDK中获取图像转换图像的代码分析

本文介绍使用Baumer工业相机，实现将图像转换为Bitmap图像，再转换Mat图像，导入到Yolo模型进行推理，输出实现水下鱼类识别的结果。

工业相机图像转换Bitmap图像格式和Mat图像重要核心代码

//将相机内部图像内存数据转为bitmap数据System.Drawing.Bitmap bitmap = new System.Drawing.Bitmap((int)mBufferFilled.Width, (int)mBufferFilled.Height，(int)mBufferFilled.Width,System.Drawing.Imaging.PixelFormat.Format8bppIndexed, (IntPtr)((ulong)mBufferFilled.MemPtr + mBufferFilled.ImageOffset)); #region//Mono图像数据转换。彩色图像数据转换于此不同System.Drawing.Imaging.ColorPalette palette = bitmap.Palette;int nColors = 256;for (int ix = 0; ix < nColors; ix++){ uint Alpha = 0xFF; uint Intensity = (uint)(ix * 0xFF / (nColors - 1)); palette.Entries[ix] = System.Drawing.Color.FromArgb((int)Alpha, (int)Intensity，(int)Intensity, (int)Intensity);}bitmap.Palette = palette;#endregionstring strtime = DateTime.Now.ToString(\"yyyyMMddhhmmssfff\");string saveimagepath = pImgFileDir + \"\\\\\" + strtime + \".brw\"; //使用Bitmap格式保存 bitmap.Save(saveimagepath, System.Drawing.Imaging.ImageFormat.Bmp); //用bitmap转换为matOpenCvSharp.Mat Matgray1 = OpenCvSharp.Extensions.BitmapConverter.ToMat(bitmap);

本地文件图像转换Bitmap图像格式和Mat图像重要核心代码

C#环境下代码如下所示：

if (imagePaths.Count() == 0){ LoadImagePaths(\"test_img\");}string currentImagePath = imagePaths[currentImageIndex]; // 显示到pictureBoxApictureBoxA.Image.Dispose(); // 释放上一张图片资源，避免内存泄漏pictureBoxA.Image = new Bitmap(currentImagePath);image_path = currentImagePath;currentImageIndex = (currentImageIndex + 1) % imagePaths.Count;OnNotifyShowRecieveMsg(\"检测中，请稍等……\");//textBox1.Text = \"检测中，请稍等……\";//pictureBox2.Image = null;Application.DoEvents();image = new Mat(image_path);float ratio = Math.Min(1.0f * inpHeight / image.Rows, 1.0f * inpWidth / image.Cols);int neww = (int)(image.Cols * ratio);int newh = (int)(image.Rows * ratio);Mat dstimg = new Mat();Cv2.Resize(image, dstimg, new OpenCvSharp.Size(neww, newh));Cv2.CopyMakeBorder(dstimg, dstimg, 0, inpHeight - newh, 0, inpWidth - neww, BorderTypes.Constant);

Mat图像导入YoloV8模型重要核心代码

C#环境下代码如下所示：

// 定义 ONNX 模型的路径string onnxModelPath = \"model/Fish_Detect.onnx\";// 定义输入图像的形状OpenCvSharp.Size inputShape = new OpenCvSharp.Size(640, 640);// 从 ONNX 模型文件加载网络if(net==null) net = CvDnn.ReadNetFromOnnx(onnxModelPath); string[] modelClassify = { \"fish\"};if (imagePaths.Count() == 0){ LoadImagePaths(\"test_img\");}string currentImagePath = imagePaths[currentImageIndex]; // 显示到pictureBoxApictureBoxA.Image.Dispose(); // 释放上一张图片资源，避免内存泄漏pictureBoxA.Image = new Bitmap(currentImagePath);image_path = currentImagePath;if (pictureBoxA.Image == null){ return;}currentImageIndex = (currentImageIndex + 1) % imagePaths.Count;OnNotifyShowRecieveMsg(\"检测中，请稍等……\"); Application.DoEvents();image = new Mat(image_path);dt1 = DateTime.Now;// 调用识别图像的函数，并传入图像路径、阈值、网络、输入形状和分类类别列表//result_image = Recognize(image, 0.35, net, inputShape, modelClassify);result_image = RecognizeMat(image, 0.35, net, inputShape, modelClassify);// 获取计算结束时间dt2 = DateTime.Now;// 显示输出的图像pictureBoxA.Image = new Bitmap(result_image.ToMemoryStream()); // 显示推理耗时时间OnNotifyShowRecieveMsg(\"推理耗时:\" + (dt2 - dt1).TotalMilliseconds + \"ms\");
static Mat RecognizeMat(Mat imgInput, double threshold, Net net, OpenCvSharp.Size inputShape, string[] modelClassify){ using (Mat img = imgInput) { int inpHeight = inputShape.Height; // 输入图像的高度 int inpWidth = inputShape.Width; // 输入图像的宽度 // 对图像进行预处理，调整尺寸 Mat image = img; float ratio = Math.Min(1.0f * inpHeight / image.Rows, 1.0f * inpWidth / image.Cols); int neww = (int)(image.Cols * ratio); int newh = (int)(image.Rows * ratio); //// 将图像调整为模型需要的大小 //Mat dstimg = new Mat(); //Cv2.Resize(image, dstimg, new OpenCvSharp.Size(neww, newh)); //Cv2.CopyMakeBorder(dstimg, dstimg, 0, inpHeight - newh, 0, inpWidth - neww, BorderTypes.Constant); //Mat BN_image = CvDnn.BlobFromImage(dstimg); // 将调整后的图像转换为Blob格式 //// 配置图片输入数据 // 将 blob 设置为网络的输入 //net.SetInput(BN_image); //// 从图像生成用于网络输入的 blob //Mat blob = CvDnn.BlobFromImage(img, 1 / 255.0, inputShape, new Scalar(0, 0, 0), false); ////Mat blob = CvDnn.BlobFromImage(img, 1.0 / 255.0, inputShape, new Scalar(0, 0, 0), true, false); // 将 blob 设置为网络的输入 //net.SetInput(blob); //// 从图像生成用于网络输入的 blob Mat img0 = img; Mat blob0 = CvDnn.BlobFromImage(img0, 1 / 255.0, new OpenCvSharp.Size(inputShape.Width, inputShape.Height), swapRB: true, crop: false); net.SetInput(blob0); // 执行前向传播获取输出 Mat output = net.Forward(); // 此处可能需要根据 C# 中 OpenCV 的特性来处理转置操作 output = ReshapeAndTranspose(output); // 获取图像的行数（高度） int height = img.Height; // 获取图像的列数（宽度） int width = img.Width; // 计算宽度的缩放因子 double xFactor = (double)width / inputShape.Width; // 计算高度的缩放因子 double yFactor = (double)height / inputShape.Height; // 初始化分类类别、得分和检测框的列表 List<string> classifys = new List<string>(); List<float> scores = new List<float>(); List<Rect> boxes = new List<Rect>(); List<Double> maxVales = new List<Double>(); List<OpenCvSharp.Point> maxloces = new List<OpenCvSharp.Point>(); // 遍历输出的行 for (int i = 0; i < output.Rows; i++) { // 获取当前行的检测框数据 using (Mat box = output.Row(i)) { // 在框数据的特定范围中找到最小值、最大值及其位置 OpenCvSharp.Point minloc, maxloc; double minVal, maxVal; // Mat classes_scores = box.ColRange(4, 5);//GetArray(i, 5, classes_scores); // double curmates0 = box.At(0); double curmates1 = box.At<float>(4); int collength = box.Cols; int rowlength = box.Rows; Mat curmates = box.ColRange(4, box.Cols); //Cv2.MinMaxLoc(box.ColRange(4, box.Cols), out minVal, out maxVal, out minloc, out maxloc); Cv2.MinMaxLoc(box.ColRange(4, box.Cols), out minVal, out maxVal, out minloc, out maxloc); int classId = maxloc.Y; if (classId == 0) {  // 获取对应类别的得分   float score = (float)maxVal;  // 如果得分大于阈值  if (score > threshold)  { // 将得分添加到得分列表 scores.Add(score); // 将类别添加到类别列表 classifys.Add(modelClassify[classId]); // 获取框的原始坐标 float x = box.At<float>(0, 0); float y = box.At<float>(0, 1); float w = box.At<float>(0, 2); float h = box.At<float>(0, 3); // 计算调整后的坐标 int xInt = (int)((x - 0.5 * w) * xFactor); int yInt = (int)((y - 0.5 * h) * yFactor); int wInt = (int)(w * xFactor); int hInt = (int)(h * yFactor); // 将调整后的框坐标添加到框列表 boxes.Add(new Rect(xInt, yInt, wInt, hInt));  } } } } // 执行非极大值抑制操作 int[] indices; CvDnn.NMSBoxes(boxes, scores, 0.25f, 0.45f, out indices); // 遍历非极大值抑制操作后的索引 foreach (int i in indices) { // 获取对应的类别、得分和框 string classify = classifys[i]; float score = scores[i]; Rect box = boxes[i]; // 获取框的坐标和尺寸 // 在图像上绘制矩形框 Cv2.Rectangle(img, box, new Scalar(0, 255, 0), 3); // 生成类别和得分的标签文本 string label = $\"{classify}: {score:F2}\"; // 在图像上添加标签文本 Cv2.PutText(img, label, new OpenCvSharp.Point(box.X, box.Y - 10), HersheyFonts.HersheySimplex, 0.5, new Scalar(0, 255, 0), 2); } // 将图像复制输出返回 Mat result_image0 = img.Clone(); return result_image0; // 将处理后的图像保存为文件 // Cv2.ImWrite(\"result.jpg\", img); }}

代码实现演示（实现水下鱼类识别）

在这里插入图片描述

源码下载链接

C# WinForms工业相机+本地图像 通过YoloV8实现水下鱼类识别

工业相机通过YoloV8模型实现水下鱼类识别的行业应用

# 行业场景 检测目的 工业相机/硬件配置 YOLOv8 方案 & 现场效果 1 循环水养殖车间 鱼种分类 + 体长/体宽测量 双 400 万像素水下网络摄像机 + 线激光器 YOLOv8 + 线激光标定，可测倾斜鱼体真实长度，误差 <5 mm，支持黑鱼、鲫鱼、鲈鱼三类识别 2 深海网箱养殖 大黄鱼、鲈鱼混养计数 1080p 水下球机 + 环形 LED Jetson Xavier NX，YOLOv8s 剪枝后 30 ms/帧，实时输出鱼群密度，替代人工潜水抽检 3 淡水鲈鱼病害监测 皮肤溃疡、出血点识别 4K 彩色水下相机 + 近红外补光 BSAM-YOLOv8（引入双层路由注意力 + Inner-MDPIoU 损失），病变检测 mAP@0.5 达到 0.968 4 水族馆/科研实验 高速游动幼鱼跟踪 500 fps 高速水下相机 YOLOv8 + RT-DETR 模块，解决密集遮挡，识别帧率 120 fps，满足行为学实验需求 5 自然河流生态调查 多鱼种资源量评估 立体视觉水下相机阵列 YOLOv8 depth-estimation 分支同步输出深度，3D 定位误差 <2 cm，支持夜间红外模式 6 工厂化育苗车间 死鱼/病鱼分拣 线阵 2 k 水下相机 + 传送带 RK3588 边缘盒，YOLOv8n 量化 3 MB，60 ms/帧，联动气动剔除，日处理 20 万尾 7 远洋渔船活鱼舱 舱内鱼种快速盘点 防振水下微光相机 + 4G 回传 船舶 GPU 服务器，YOLOv8m 离线训练后增量学习，适应不同光照，盘点误差 ❤️ %

关键技术细节

硬件
• 相机：400-800 万像素、IP68 防护、全局快门、30-500 fps 可选；
• 光源：环形 LED + 线激光（用于体长标定）或近红外（减少水体后向散射）。
模型优化
• 数据：自建水下鱼类数据集（>6 000 张，含健康/病变、不同角度、不同浑浊度）；
• 训练：YOLOv8n/s/m 对比，预训练权重 + 迁移学习 100 epoch，mAP@0.5 普遍 >0.93；
• 改进：BSAM 注意力、RT-DETR 模块、Inner-MDPIoU 损失、AKConv 可变形卷积分别用于遮挡、小目标、形变场景。
部署
• 边缘：Jetson Orin Nano / RK3588 NPU INT8，功耗 7-15 W；
• 产线：x86 IPC + RTX 3060，TensorRT-FP16 推理 2 ms@640×640；
• 输出：JSON（种类、像素框、体长体宽、置信度）或 Modbus-TCP 给 PLC 分拣。
合规
• 水下摄像头若布设于公共水域，需向渔政部门报备；
• 采集影像仅用于科研/养殖管理，72 h 内自动覆盖，符合《数据安全法》。

网络标签：

相关问题