基于神经网络的水下目标识别技术

内 容 摘 要

海鲜养殖业所需的水下环境十分恶劣，捕捞作业等都需要人工来完成，这种环境对人体的伤害严重，采用机器捕捞代替人工捕捞是未来的发展趋势。本^文档首先分析了水体对不同光的衰减程度和对成像质量的影响，并通过对照多种图像增强的处理效果，最终选用了自动色阶的多尺度Retinex算法(autoMSRCR)用以处理图像色偏、模糊、雾化等问题。并且通过labelimg软件对图像中的水下目标进行标注制作数据集。其中20%作为测试集，70%作为训练集,10%作为验证集。本^文档采用的是基于Convolutional Neural Networks (CNN)卷积神经网络的You Only Look Once Version4(YOLOv4)的目标检测网络，其主干特征提取网络采用的是CSPDarknet53结构，特征融合网络采用的是SSP和PANet网络进行上采样、下采样和卷积操作，最后经过YoloHead网络对提取到的特征进行预测输出。经过训练集训练识别模型，测试集数据测试得出检测效果，其中海参识别准确率为90.8%、海胆识别准确率为87.76%。实验表明本^文档所使用的目标检测网络模型能够在水下环境下准确的识别出指定水下生物，具有一定的实用性。

[关键词]：水下生物识；AutoMSRCR；卷积神经网络；YOLOv4

目       录

1 绪论1

1.1 课题背景及意义1

1.2 国内外发展现状1

1.2.1 传统目标检测2

1.2.2 基于深度学习的目标检测4

1.3 本^文档研究内容5

2 卷积神经网络基础6

2.1 卷积神经网络结构6

2.2 神经网络常用性能指标10

2.3 本章小节11

3 数据的采集与制作11

3.1 数据采集11

3.2 数据处理12

3.3 数据集制作14

3.3.1 数据增广14

3.3.2 数据标注15

3.4 本章小结16

4 基于YOLOv网络的目标检测算法16

4.1 YOLOv4网络结构16

4.2 目标损失函数18

4.3 实验训练与结果分析19

4.3.1 实验平台与参数设计19

4.3.2 训练方式20

4.3.3 训练结果22

4.3.4 错误分析24

4.4 本章小结25

5 海参海胆识别模型的部署26

5.1 实验平台26

5.2 模型移植步骤27

5.3 模型效果检测29

5.4 本章小节29

6 结论30

文献