论文部分内容阅读
当今世界中各国都在努力发展海洋牧场的建设。在海洋牧场中养殖鱼类、贝类、海参等海产养殖作物可以为渔民带来产量和收入的提升。而在目前的海产养殖中,有关于种群密度观测、捕捞作业等都是通过拖网捕捞或者人工水下作业的方式进行,效率比较低、数据信息也不够准确,且水下低温高压的环境会对人员安全造成一定影响。近年来,深度学习理论的发展使得各国研究人员在多个领域中的相关研究取得了进展,因此,本文将深度学习理论引入到海洋动物图像目标检测中来,利用卷积神经网络强大的特征提取与分类能力,并结合水下GPU嵌入式硬件完成水下图像的实时目标检测,将为之后的生物种群监测和智能捕捞提供参考。本文的主要研究内容如下:(1)对水下设备获取的实时图像进行图像增强。由于水下环境中光线散射或折射等因素导致图像清晰度、对比度不足且与训练图像差异较大,因此需要对图像进行增强处理。本文采用CLAHE算法和MSRCR算法分别对水下图像进行增强。通过综合的分析与比较,最终选用MSRCR算法对水下采集到的图像进行增强,为下一步的分类与检测打下基础。(2)建立针对海洋动物图像分类的MobilenetV2卷积神经网络。为了获得分类效果良好且在GPU嵌入式设备上运算速度较快的模型,本文提出了一种基于卷积神经网络和迁移学习的图像分类方法。通过对Mobilenet V2网络模型进行参数迁移和微调,获得适合于海洋动物图像的分类模型。实验结果表明,改进之后的Mobilenet V2网络模型可以获得较高的准确率,并拥有较快的分类速度,在GPU嵌入式系统上的表现也进一步说明它可以同时满足准确率和分类速度的要求。(3)为了进一步提高检测精度,本文进一步提出了针对于海洋动物目标检测的M-SSD目标检测算法。该方法在faster-RCNN和SSD的基础上,用Mobilenet V2卷积神经网络代替原始算法中的VGG16特征提取网络,利用两种算法中RPN层和多尺度特征融合的方式进行目标区域框标定,并利用上面(2)中的参数进行初始化,以此获得更好的检测效果。实验结果表明,在海洋动物的目标检测中,M-SSD算法在检测精确度和实时性上表现突出。(4)为在GPU嵌入式系统中有更好的检测速度,本文提出了一种基于改进YOLOV3的目标检测算法,即轻量化的剪枝M-YOLOV3+目标检测算法。该方法将MobilenetV2网络替代原始Darknet53特征提取网络,并对目标定位网络进行改进,由此获得M-YOLOV3+网络模型并对其进行剪枝操作。与原始MYOLOV3网络和剪枝之后的网络相比,在平衡检测精度和速度的情况下,剪枝M-YOLOV3+网络模型可以获得很好的检测效果。在GPU嵌入式系统上对MSRCR增强之后的图像进行检测可以更好的达到实时性的要求。与M-SSD检测算法相比,剪枝M-YOLOV3+网络更适合目标尺寸较小的图像,而M-SSD网络更适合有部分遮挡的图像。