1. 引言
随着海洋资源开发需求的日益扩大,如何能对水下目标进行精准检测成为一个研究热
点.由于水下环境对比陆地环境更为复杂,使得目标检测算法在水底的应用有一定的难度
[1]
.
深度学习算法在目标检测上的检测精度表现出优秀的成绩
[2]
,将深度学习算法
[3]
应用到水下
目标检测,可以提高准确率,避免误抓同时提高目标的获取效率节省物力和人力.文章以海
星、海胆、海参、扇贝等水产动物为研究对象,对机器学习在水下环境的应用进行研究,
旨在为海洋生物捕捉提供新型解决方案,为海洋学生物研究提供新的技术辅助.
水下目标检测算法在 21 世纪初开始研究,随着目标检测算法的发展,水下目标检测
技术目前主要分为两大分支.一种是基于对图像细节进行分析的传统水下目标检测算法,另
一种是通过对大量水下目标图像进行训练,得出水下目标特征模型,通过模型对水下目标
进行匹配的深度学习算法.
在传统水下目标检测算法这个阶段主要将数学理论知识运用到对图像的分析中,不同
角度的图像呈现出的目标形状不同,对于数学建模有着重大的困难,未能在实际场景顺利
使用.对于较复杂的水下目标 2019 年王冠群等
[4]
提出联合多站阵元域数据水下目标检测,使
得水下目标检测算法在较复杂的条件下也能进行使用.徐曼等
[5]
提出一种 Radon 变换的目标
检测算法,是传统方法在水下目标检测成熟运用的代表方法.传统的水下目标检测算法对于
某张图像或者某类图像对特征的建模具有较大的局限性,对于不同角度不同光线背景的水
下图像检测鲁棒性较差.
在基于深度学习水下目标检测算法中,发展之初是对水里较大目标进行检测,例如李
庆忠等
[6]
提出的基于 YOLO 的水下鱼群检测,通过初代单阶段网络对鱼类目标进行回归.王
晓
[7]
改进网络多特征融合,在河流、湖泊等浅水区域做实验,检测精度有一定提升.zeng 等
[8]
将两阶段网络 Faster RCNN 运用到水下目标检测中,提高了检测精度.Hsiao 等
[9]
通过对底
层特征的分析来设计分类器,将机器学习运用在水下目标检测.Cutter 等
[10]
人从单一的目标
检测网络研究水下多个鱼群种类的目标检测.Hsiao 和 Cutter 所提出的方法由于检测速度较
慢,未能在真实场景中得到运用.2020 年 Chen 等
[11]
将 SSD (Single Shot MultiBox Detector)
模型使用到船舶目标的检测中,通过增加反卷积模块将高级语义信息与像素信息融合,提
高检测精度,船舶的目标比水下的目标更大,更容易检测,而水下生物在图片中更多的体
现为较小目标,因此需要进一步深入研究.
当前基于深度学习水下目标检测算法对于模糊的水下目标和较小的水下目标检测能力
有限,为了扩大深度学习算法在水下目标检测的应用范围,本文提出了 FAttention-
YOLOv5 网络模型.为保证检测速度本模型采用单阶段网络模型 YOLOv5 作为基础模型,
并在模型中嵌入提出的 F-CBAM 注意力机制,通过在 CBAM 结构中引用 FReLU 激活函数
实现像素级的空间信息建模能力,提高模型准确率;采用 F-CBAM 中的通道注意力机制和
空间注意力机制提高目标物体的通道权重以及扩大目标对原图的感受野,提高目标检测模
评论0
最新资源