水下机器人是水下作业利器,可辅助或代替人工执行水下监控和复杂环境的作业任务。然而受环境感知技术和路径规划等技术的限制,当前水下机器人的智能化程度低,难以满足实际的使用要求。图像增强和识别技术是基于视觉的水下机器人环境感知系统的重要组成部分,对机器人的智能水平具有重要影响。具体来讲,水下实时图像增强技术和基于边缘设备的生物图像实时识别技术是制约当前基于视觉的水下机器人发展的重要瓶颈。本文对基于视觉的水下机器人图像增强与识别关键技术进行了研究,详细内容如下:水下视觉图像具有对比度低、细节模糊以及颜色衰减严重等问题,传统无模型和基于简化成像模型算法的增强效果和处理速度无法满足水下机器人动态环境下作业的要求,本文借助于卷积神经网络的强大映射能力,开发了一套基于深度学习的水下图像增强算法。首先,针对基于深度学习的水下图像增强算法成对训练图像获取难度大、合成数据不逼真的问题,提出了一种基于改进成像模型和生成对抗网络的水下图像数据集生成算法。水下图像的合成结果显示,提出的算法能较好地模拟水下图像颜色以及图像的雾化效果。接着,设计了自编码器结构的端到端图像增强卷积神经网络,并通过交叉验证实验选择了最适于增强模型的损失函数组合形式。最后通过主观视觉质量和客观评价指标综合比较了多种算法在不同数据集上的增强结果。实验结果表明,本文提出的方法在图像颜色矫正、对比度提升以及处理速度上优势明显。为了解决水下目标识别难度大、通用算法处理速度慢的问题,本文基于特征融合以及多尺度检测思想,设计了基于深度卷积神经网络的轻量级识别模型并使用聚类算法为检测算法的锚框设定了更为准确的初始值。另外,为了缓解使用均方误差损失函数时小目标位置坐标回归难的问题,将更适合于小目标回归的损失函数GIoU应用到了水下目标检测模型。实验结果显示,本文改进的算法比经典两阶段和单阶段回归算法的检测速度更快、定位精度更高以及计算复杂度更低,更适合在水下机器人边缘计算平台部署。