基于神經網絡的水下目標識別技術

內 容 摘 要

海鮮養殖業所需的水下環境十分惡劣，捕撈作業等都需要人工來完成，這種環境對人體的傷害嚴重，采用機器捕撈代替人工捕撈是未來的發展趨勢。本論文首先分析了水體對不同光的衰減程度和對成像質量的影響，并通過對照多種圖像增強的處理效果，最終選用了自動色階的多尺度Retinex算法(autoMSRCR)用以處理圖像色偏、模糊、霧化等問題。并且通過labelimg軟件對圖像中的水下目標進行標注制作數據集。其中20%作為測試集，70%作為訓練集,10%作為驗證集。本論文采用的是基于Convolutional Neural Networks (CNN)卷積神經網絡的You Only Look Once Version4(YOLOv4)的目標檢測網絡，其主干特征提取網絡采用的是CSPDarknet53結構，特征融合網絡采用的是SSP和PANet網絡進行上采樣、下采樣和卷積操作，最后經過YoloHead網絡對提取到的特征進行預測輸出。經過訓練集訓練識別模型，測試集數據測試得出檢測效果，其中海參識別準確率為90.8%、海膽識別準確率為87.76%。實驗表明本論文所使用的目標檢測網絡模型能夠在水下環境下準確的識別出指定水下生物，具有一定的實用性。

[關鍵詞]：水下生物識；AutoMSRCR；卷積神經網絡；YOLOv4

目       錄

1 緒論1

1.1 課題背景及意義1

1.2 國內外發展現狀1

1.2.1 傳統目標檢測2

1.2.2 基于深度學習的目標檢測4

1.3 本論文研究內容5

2 卷積神經網絡基礎6

2.1 卷積神經網絡結構6

2.2 神經網絡常用性能指標10

2.3 本章小節11

3 數據的采集與制作11

3.1 數據采集11

3.2 數據處理12

3.3 數據集制作14

3.3.1 數據增廣14

3.3.2 數據標注15

3.4 本章小結16

4 基于YOLOv網絡的目標檢測算法16

4.1 YOLOv4網絡結構16

4.2 目標損失函數18

4.3 實驗訓練與結果分析19

4.3.1 實驗平臺與參數設計19

4.3.2 訓練方式20

4.3.3 訓練結果22

4.3.4 錯誤分析24

4.4 本章小結25

5 海參海膽識別模型的部署26

5.1 實驗平臺26

5.2 模型移植步驟27

5.3 模型效果檢測29

5.4 本章小節29

6 結論30

文獻