科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对小型水下设备内存和计算能力有限的问题，本文对YOLOv4模型进行改进，提出了一种适用于水下目标检测的轻量级网络NSN-R-YOLOv4。在训练模型之前，对水下图像进行带色彩恢复的多尺度视网膜增强算法预处理，有助于在不同环境下正确识别目标。本文在改进YOLOv4网络结构时，首先，引入ShuffleNet和卷积块注意力机制构建主干网络，在保证网络特征提取能力的同时，可有效减少参数量；其次，使用深度可分离卷积代替普通网络卷积，以减少模型的体积；最后，采用可模拟人类视觉感受野的RFB-s代替YOLOv4中的SPP模块作为中间层。结果表明：本文模型参数量只有49.2M。本文对水下图像视频中的海参进行目标识别时，每秒传输帧数可达35.6,目标检测AP为92.01%。与YOLOv4相比，本文模型具有参数量小和识别效果好的特点，更适用于小型水下目标检测设备。
-
单位国家深海基地管理中心; 杭州电子科技大学; 自动化学院
