文献类型： 中文期刊

作者： 毛国君 ¹ ; 翁伟栋 ¹ ; 朱晋德 ¹ ; 张媛 ² ; 吴富村 ³ ; 毛玉泽 ⁴ ;

作者机构： 1.福建工程学院计算机科学与数学学院

2.獐子岛集团股份有限公司

3.中国科学院海洋研究所实验海洋生物学重点实验室

4.中国水产科学研究院黄海水产研究所

关键词： 模型;深度学习;目标检测;YOLO-V4;跨阶段局部网络;嵌连接

期刊名称： 农业工程学报

ISSN：

年卷期： 2021 年 012 期

页码： 152-158

收录情况： EI ; 北大核心 ; CSCD

摘要： 海洋生物智能检测是海洋牧场战略的一部分,而利用水下机器人在复杂的海洋环境中快速、准确地检测海洋生物是关键问题。由于海底环境复杂、亮度分布不均匀、海洋生物与其生存环境的区分性差、生物被遮蔽或半隐蔽等原因,准确识别海洋生物是一个巨大的挑战。随着卷积神经网络的发展,基于深度学习的目标检测算法成为主流,出现了如EfficientDet、RetinaNet和YOLO-V4等典型算法。这些基于深度学习的算法都不是完全尽善尽美的,不能完全满足海洋生物识别的需求。在探测精度、运算速度、密集目标探测效果等方面都有提高的空间。该研究建立了一个海洋生物数据集,采集了原始图片1 810张,数据增强后得到7 240张图片,它们被分成训练集（80%）和测试集（20%）。其次,通过引入跨阶段局部网络的概念,构建了嵌连接EC（Embedded Connection）部件,并将其嵌入到YOLO-V4网络的末端,得到改进的YOLO-V4网络。最后,该研究提出了基于改进YOLO-V4网络的海洋生物检测模型MOD（MarineOrganism Detection）。试验结果表明,MOD模型的mAP₅₀、mAP₇₅（交并比阈值为0.5、0.75的精度均值）分别为0.969和0.734,计算量为35.328BFLOPs（十亿浮点运算数）,检测帧速为139 ms（具有图形加速器Ge Force GTX1650上）。与原始YOLO-V4模型相比,MOD模型的m AP50和m AP75提高了0.9和4.8个百分点,而计算量仅提高0.2%。此外,对比两种模型的准确率-召回率曲线,MOD模型的精确度与召回率的平衡点更接近（1,1）,因此MOD模型能学习精度和效率的平衡性更好。该研究直接面向浅海生物的目标检测问题,所提供的方法可以为水下机器人精准执行智能捕捞等任务提供有益参考。