基于深度学习的鱼群检测方法研究
发布时间:2020-08-21 22:45
【摘要】:目标检测在智能交通、图像检索与分析和智能机器人等领域中有着广泛的应用。鱼群检测作为目标检测的一种实际应用,对于探测湖泊和海洋中鱼群活动规律,以及分析鱼群规模和种类具有极大地应用价值。由于水下鱼群图像对比度较低以及存在小目标鱼群的情况,传统特征提取方法精度较低并且时间复杂度较高,鱼群检测算法研究面临着较大挑战。本文通过改进SSD算法,研究基于双目视觉鱼群图像的融合检测方法。主要工作包括:(1)实现了基于端到端深度学习模型的实时鱼群检测方法。本文利用YOLO(You Only Look Once)算法和SSD(Single Shot Multibox Detector)算法提取鱼群图像特征并做鱼群目标检测。在水下鱼群数据集Labeled fish in the wild中进行验证,结果表明利用YOLO模型和SSD模型对鱼群特征提取与检测,检测精度分别达到88.7%和92%,检测速度分别为30FPS和35FPS。SSD算法查全率可以达到42.7%,比YOLO提高约30%,这表明SSD算法在鱼群目标漏检方面较YOLO算法有明显改进。(2)提出了一种改进的SSD算法。针对卷积神经网络提取小目标鱼群引起的漏检问题,本文借助SSD模型提取的多个卷积层构建特征金字塔,对多层特征进行融合,利用高层特征增强低层的语义表达能力,提升小尺寸鱼群目标检测精度。在水下鱼群数据库Labeled fish in the wild中进行验证,检测精度与查全率较原始SSD算法分别提升了2.7%与30%,处理速度为22FPS。(3)提出了一种基于双目视觉的鱼群检测方法。针对传统的双目图像拼接方法在低对比度图像上容易出现伪影的问题,本文借助改进的SSD算法提取低对比度双目鱼群图像特征,依据神经网络感受野特性,建立特征匹配双塔模型和反向传播机制,将高层特征匹配结果逐级映射到低层,限制每个特征层的特征匹配计算范围,提高低层特征层匹配精度。在水下鱼群数据集Labeled fish in the wild上,本文方法和基于VGG16的拼接方法进行鱼群融合检测,检测精度分别为90.3%和80.4%。这表明本文算法在低对比度鱼群图像的拼接和检测精度上有明显提升,可以有效地抑制拼接伪影的出现。(4)实现了基于深度学习的鱼群探测系统。在现实应用场景中,本文基于流行的深度学习开源框架Tensorflow训练水下鱼群图像检测模型,并结合WCF框架搭建鱼群探测系统,实现了鱼群实时探测。
【学位授予单位】:苏州科技大学
【学位级别】:硕士
【学位授予年份】:2019
【分类号】:TP391.41;TP18
本文编号:2799936
【学位授予单位】:苏州科技大学
【学位级别】:硕士
【学位授予年份】:2019
【分类号】:TP391.41;TP18
【参考文献】
相关期刊论文 前1条
1 宁纪锋;赵耀博;石武祯;;多通道Haar-like特征多示例学习目标跟踪[J];中国图象图形学报;2014年07期
相关博士学位论文 前1条
1 荆丹翔;基于识别声呐的鱼群目标检测跟踪方法[D];浙江大学;2018年
相关硕士学位论文 前1条
1 张进;基于双频识别声纳DIDSON的鱼群定量评估技术[D];上海海洋大学;2012年
本文编号:2799936
本文链接:https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2799936.html