基于YOLO和图像增强的海洋动物目标检测

发布时间：2021-05-14 07:43

　　随着现代海洋牧场中智能捕捞作业的发展,海洋动物的目标检测有十分广泛的应用前景。针对于海洋动物目标检测中水下环境光照不足和检测速度较慢的问题,设计了一种基于MSRCR和MobilenetV2-YOLOV3的海洋动物快速检测方案。首先利用MobilenetV2网络对数据集进行小规模分类训练;然后将MobilenetV2网络替换原始YOLOV3中的darknet53基础特征提取网络,并通过之前分类训练得到的参数迁移到特征提取网络中进一步训练得到检测模型;最后通过MSRCR算法增强水下图像,并在GPU嵌入式设备上进行实时检测。实验结果表明,在该方案下进行的海洋动物目标检测,其mAP值可达到71%,模型参数量只有18.5 M,在嵌入式设备上的检测速度可达到14.1 FPS。相较于其他网络模型,该方案可更好的用于水下动物的实时检测。 

【文章来源】：电子测量技术. 2020,43(14)

【文章页数】：5 页

【文章目录】：
0 引 言
1 相关知识
    1.1 MobilenetV2网络
    1.2 YOLOV3
    1.3 基于MobilenetV2的YOLOV3检测网络
    1.4 MSRCR算法
2 实验过程与结果分析
    2.1 实验环境与数据集
    2.2 MobilenetV2网络分类模型预训练
    2.3 MobilenetV2-YOLOV3网络目标检测
    2.4 图像增强后在GPU硬件上的测试
3 结 论


【参考文献】：
期刊论文
[1]中国海洋牧场研究现状与发展[J]. 李忠义,林群,李娇,单秀娟.  水产学报. 2019(09)
[2]基于动态统计滤波与深度学习的智能故障诊断方法[J]. 宋浏阳,李石,王芃鑫,王华庆.  仪器仪表学报. 2019(07)
[3]基于迁移学习的人脸图像质量评估[J]. 程换新,侯晓克.  电子测量技术. 2019(12)
[4]基于YOLOv3网络的超宽带雷达生命信号检测[J]. 王小瑞,侯兴松,王生霄.  国外电子测量技术. 2019(06)
[5]基于改进Faster-RCNN的输电线巡检图像多目标检测及定位[J]. 林刚,王波,彭辉,王晓阳,陈思远,张黎明.  电力自动化设备. 2019(05)
[6]基于卷积神经网络的半监督高光谱图像分类[J]. 李绣心,凌志刚,邹文.  电子测量与仪器学报. 2018(10)
[7]现代海洋牧场建设的现状与发展对策[J]. 阙华勇,陈勇,张秀梅,章守宇,张国范.  中国工程科学. 2016(03)
[8]基于Retinex模型的彩色图像全局增强算法[J]. 李福文,金伟其,陈伟力,曹扬,王霞,王岭雪.  北京理工大学学报. 2010(08)



本文编号：3185267