论文部分内容阅读
目前，水下机器人在海底观测、海洋工程中具有广泛的应用与前景。为推动水下机器人作业技术向智能化转型，基于光视觉的水下目标检测技术受到较多关注。而水下环境存在微光、模糊的特殊性，在这种弱观测环境下，应用于光视觉领域的传统目标检测算法的准确率与鲁棒性均相对较低，而基于深度学习的检测算法则有较好的效果。面向海洋生物(海参、海胆、扇贝)的抓取任务，考虑检测算法的实时性和准确性，本文主要研究水下环境中基于深度学习中SSD(Single Shot MultiBox Detector, SSD)检测算法的海洋生物目标检测问题。
海洋生物数据集由实际拍摄及数据增广的图像组成，目标较小，传统SSD检测算法在该数据集上检测精度略低，因此需在保证检测速度的前提下提高检测精度。此外，水下机器人实际工作的目标域与训练源域环境差异较大，训练好的模型表现较差，且目标域海洋生物图像进行数据集制作及训练是比较困难的，因此需要利用已训练好的模型实现环境改变的检测性能提升。为解决以上问题，本文主要研究内容如下:
(1)对深度学习的基础知识及目标检测算法SSD和FasterR-CNN算法进行了理论分析，并在海洋生物数据集中复现了两种算法，通过调整参数使算法性能达到最优，记录试验结果作为验证改进算法性能的对比结果。
(2)针对SSD检测算法在海洋生物目标检测上精度相对较低的问题。本文提出了特征强调SSD(Emphasis on Features-SSD，EF-SSD)算法:在SSD网络中引入特征强调层，对图像的颜色、纹理特征进行提取并传回网络进行联合训练，以提高算法具有针对性的特征提取能力。通过在深度学习框架Caffe上对EF-SSD所涉及的层进行代码编写，并基于海洋生物数据集对算法进行试验，结果表明，EF-SSD算法不仅提高了对海洋生物目标的检测效果且保证了检测速度。
(3)为提高算法模型在目标域的检测性能，解决目标域视频检测时极易出现的错检、漏检问题。本文提出了一种目标域视频目标检测性能提升方法:首先，摒弃了传统样本挖掘方法，基于视频流图像重复性高的特点提出视频样本挖掘方法;其次，自动挖掘并生成难分样本数据集;最后，对已训练的EF-SSD算法模型进行再训练并对目标域视频图像进行再检测。通过对目标域的海洋生物视频进行试验验证，结果表明，算法在对目标域视频检测时有效提高了检测效果，降低了视频中的错检和漏检。
海洋生物数据集由实际拍摄及数据增广的图像组成，目标较小，传统SSD检测算法在该数据集上检测精度略低，因此需在保证检测速度的前提下提高检测精度。此外，水下机器人实际工作的目标域与训练源域环境差异较大，训练好的模型表现较差，且目标域海洋生物图像进行数据集制作及训练是比较困难的，因此需要利用已训练好的模型实现环境改变的检测性能提升。为解决以上问题，本文主要研究内容如下:
(1)对深度学习的基础知识及目标检测算法SSD和FasterR-CNN算法进行了理论分析，并在海洋生物数据集中复现了两种算法，通过调整参数使算法性能达到最优，记录试验结果作为验证改进算法性能的对比结果。
(2)针对SSD检测算法在海洋生物目标检测上精度相对较低的问题。本文提出了特征强调SSD(Emphasis on Features-SSD，EF-SSD)算法:在SSD网络中引入特征强调层，对图像的颜色、纹理特征进行提取并传回网络进行联合训练，以提高算法具有针对性的特征提取能力。通过在深度学习框架Caffe上对EF-SSD所涉及的层进行代码编写，并基于海洋生物数据集对算法进行试验，结果表明，EF-SSD算法不仅提高了对海洋生物目标的检测效果且保证了检测速度。
(3)为提高算法模型在目标域的检测性能，解决目标域视频检测时极易出现的错检、漏检问题。本文提出了一种目标域视频目标检测性能提升方法:首先，摒弃了传统样本挖掘方法，基于视频流图像重复性高的特点提出视频样本挖掘方法;其次，自动挖掘并生成难分样本数据集;最后，对已训练的EF-SSD算法模型进行再训练并对目标域视频图像进行再检测。通过对目标域的海洋生物视频进行试验验证，结果表明，算法在对目标域视频检测时有效提高了检测效果，降低了视频中的错检和漏检。