基于深度学习的浅海水下生物实时目标检测识别技术研究
中国拥有丰富的水下渔业资源，包括海胆、贝类和海参等多种水生动物。这些资源对于保障国家粮食安全、维护海洋生态环境都具有重要意义。通过高科技水下勘测设备可加强对水下渔业资源的勘测以便于科学开发和利用。其中，通过遥控无人潜水器（Remote Operated Vehicle，ROV）搭载高分辨率相机对水下图像进行拍摄，然后运用图像增强算法和基于深度学习的目标检测算法对增强图像中的渔业资源进行检测和识别。针对水下光学图像色彩失真严重、轮廓毛糙等问题，同时以实现实时、自主、高精确度地检测识别水下生物为目的，本研究提出一种适用于浅海水下图像的深度增强算法，以及一种基于改进的 YOLOv5s 浅海水下生物检测识别算法，并研制了一款载有高清摄像头的ROV，实现水下图像拍摄并传回地面工作站进行实时检测，建立了一套半自动化水下生物目标检测识别系统。本研究的主要研究内容如下： （1）针对水下光学图像色彩失真、轮廓毛糙等影响观测的固有问题，本研究提出了一种针对水下光学图像的实时图像增强方法，实现对水下图像质量的实时增强，使在各项指标中均有较大改善，其中信息熵、UCIQE和UIQM较原图分别有2.4256、0.2268和0.8258的提升，且高于其他对比算法结果。针对已有的公开水下生物数据集无法提供优质的数据服务，本研究收集整理了互联网上的 1359张水下生物图像，并与两个样本比例不均衡的公开数据集进行融合，得到 10570幅水下生物图像，后利用标注软件对图像样本标签按本研究标注标准进行人工标注和调整。并利用仿射变换、Mosaic 图像数据增强方法，对所构建的浅海水下生物数据集进行有效的数据增强，为基于深度学习的浅海水下生物检测识别模型的训练和有效性验证奠定基础。 （2）针对水下光学图像色彩和轮廓不清晰等造成直接使用可满足实时要求的YOLOv5s进行检测识别时精确度较低等问题，将YOLOv5s进行改进提出了一种水下生物目标检测方法。首先，引入快速空间金字塔（FSPP）模块，提高模型的纹理特征描述能力；其次，提出 Double-Swin Transformer（DST）模块融入网络中以提高模型对物体形态和尺寸变化较大的适应性；最后，对网络颈部层结构进行调整，使模型提高对图像中小目标的检测能力。这些改进方法有效地提高了改进的 YOLOv5s 对浅海水下生物目标的检测和识别能力，平均准确率达到了85.7%。 （3）针对传统水下生物检测方法效率低、成本高、危险性高等问题，本课题团队自主研制了一款六自由度 ROV。该机器人以树莓派和 STM32F407 小系统板为核心硬件。通过树莓派将安装于机器人端的高清摄像头所拍摄图像通过局域网视频推流技术，使地面工作站远程获取水下拍摄的实时图像，并研发一款使用本研究的改进算法对图像进行自主检测的ROV实时监控上位机软件，将实时检测结果和ROV状态数据进行直观展示。
水下生物识别;浅海水下图像;图像增强;深度学习
重庆交通大学
硕士
机械工程;机械电子工程
杜洪越
2023
中文
TP391.41
2023-09-14（万方平台首次上网日期，不代表论文的发表时间）