水下生物识别技术是通过计算机算法对图像以及视频中水下的生物进行准确识别。论文基于YOLOv5和Cascade R-CNN水下目标识别模型,研究基于深度学习的水下生物识别技术,设计了水下生物识别模型FAttention-YOLOv5和小尺度水下生物识别模型AIMC R-CNN来提高识别精度,并基于以上提出的技术实现了一个水下生物检测应用系统,具体研究如下:第一,设计了水下生物识别模型FAttention-YOLOv5。在YOLOv5模型的基础上,提出了一种F-CBAM注意力机制,通过在CBAM结构中引用FRe LU激活函数,在激活函数阶段通过二维空间捕捉复杂的特征分布情况,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,提高目标检测模型对特征的学习能力;其次加入双向跨尺度特征金字塔Bi FPN,通过对不同尺度的图像特征双向跨尺度连接及融合,提高水下生物的识别精度;最后采用KL LOSS损失函数,减少歧义边界框对预测结果的影响,提高被遮挡水下生物的识别率。实验结果表明所设计的FAttention-YOLOv5具有较高的准确率。第二,设计了小尺度水下生物识别模型AIMC R-CNN。在Cascade R-CNN模型的基础上,采用了曝光平衡的图像增强方法,提高水下图像的色彩对比和细节信息,为提高识别率打下基础;加入ResNeXt作为图像特征提取网络,从而获得精度更高的水下生物目标特征图;最后采用多尺度特征聚合交互策略,提高不同网络层图像特征的表达能力,提高模型对小目标的识别准确率。对AIMC R-CNN的实验结果进行分析,对通过曝光平衡图像增强方法的图像进行结果对比,并对不同的改进点进行消融实验,最后与主流识别模型进行对比,所设计的AIMC R-CNN模型比原始Cascade R-CNN m [email protected]高三个百分点,证明了改进方法的有效性。最后将所设计的基于深度学习的水下生物识别模型AIMC R-CNN集成到水下生物识别系统。水下生物识别系统测试结果表明,所设计的水下生物识别检测系统具有较高的准确度和可使用性,可以运用到水下实时的环境中的生物目标进行识别,为海洋科研事业提供更加坚实准确的数据基础。