论文部分内容阅读
海参不仅是八大珍品之一,也是名贵的药材。然而海参主要依靠潜水员进行水下捕捞,工作强度大、效率低下且对人身安全造成重大威胁。因此,研发海参自动捕捞设备是发展智慧渔业的必然趋势,能否实时准确检测水下海参目标是研发自动捕捞设备的关键,而复杂多变的水下环境给海参检测算法带来了不小挑战。本文以水下海参为研究对象,基于深度学习技术研究高检测精度、低耗时的海参检测算法,完成的工作主要如下:(1)针对基于ResNet50的Faster R-CNN海参检测算法推断速度低、无法满足实际应用的问题,提出了Balanced R-CNN快速海参检测算法,既保障了高检测精度又实现了高检测速度。该算法首先改进了Faster R-CNN检测结构,消除了大量重复卷积计算;其次,通过多层卷积特征融合与空间注意力机制生成了细节信息丰富、强鲁棒性的特征,利用该特征图有助于提高检测精度;最终,在模型训练中引入平衡损失函数以扩大容易样本的梯度贡献,加快模型收敛。在海参数据集上,算法的检测精度(mAP)为87.49%,在Faster R-CNN上mAP值涨点1.1,检测速度达到了27FPS。(2)针对基于YOLOv2的海参检测算法检测精度低、误检率较高的问题,在不牺牲推断速度的前提下提出了YOLOv2-TDM海参检测算法。首先设计了TDM特征增强机制,扩充了底层特征的语义信息;然后设计了下采样机制以缩小特征图维度,加快推断速度;最后引入了瓶颈块,在不减小特征图分辨率的前提下扩大了小目标物体的感受野。实验结果显示,提出的算法在海参数据集上mAP值达到了88.21%,平均检测精确率(AP)相比YOLOv2提高了6.52%,推断一张图像仅耗时11ms。(3)搭建了水下海参目标检测系统平台,整合了水下机器人软、硬件技术和目标检测软件程序。通过对图像和视频文件中海参目标的检测实验,验证了本文提出的算法用于水下海参目标检测的可行性和有效性。另外通过水池实地检测实验,验证了本文设计的检测系统能否快速、准确地检测出水下环境中的海参目标。