采用改进SSD网络的海参目标检测算法

• Published in: 农业工程学报 Vol. 38; no. 8; pp. 297 - 303
• Main Authors: 张岚, 邢博闻, 李彩, 李硕峰
• Format: Journal Article
• Language: Chinese
• Published: 上海海洋大学工程学院,上海 201306%上海海洋大学工程学院,上海 201306 01.04.2022; 热带海洋环境国家重点实验室(中国科学院南海海洋研究所),广州 510308%热带海洋环境国家重点实验室(中国科学院南海海洋研究所),广州 510308%哈尔滨工程大学智能科学与工程学院,哈尔滨 150001
• Subjects: 算法; 图像识别; 海参捕捞; 深度学习; SSD网络
• ISSN: 1002-6819
• DOI: 10.11975/j.issn.1002-6819.2022.08.034

TP391.4; 随着海参养殖业快速发展,利用水下机器人代替人工作业的海参智能捕捞已成为发展趋势.浅海环境复杂,海参体色与环境区分性差、海参呈现半遮蔽状态等原因,导致目标识别准确率低下.此外由于景深运动,远端海参作为小目标常常未被识别成功.为解决上述问题,该研究提出一种基于改进SSD网络的海参目标检测算法.首先通过RFB(Receptive Field Block)模块扩大浅层特征感受野,利用膨胀卷积对特征图进行下采样,增加海参细节、位置等信息,并结合注意力机制,对不同深度特征进行强化,将计算得出的权重与原特征信息相乘以此获得特征图,使结果包含最具代表性的特征,也抑制无关特征.最后实现特征图融合,进一步提升水下海参的识别精度.以实际拍摄的视频进行测试验证,在网络结构层面上,对传统算法进行改进.试验结果表明,基于改进的SSD网络的海参目标检测算法的平均精度均值为95.63％,检测帧速为10.70帧/s,相较于传统的SSD算法,在平均精度均值提高3.85个百分点的同时检测帧速仅减少2.8帧/s.与Faster R-CNN算法和YOLOv4算法进行对比试验,该研究算法在平均精度均值指标上,分别比YOLOv4、Faster R-CNN算法提高4.19个百分点、1.74个百分点.在检测速度方面,该研究算法较YOLOv4、Faster R-CNN算法分别低4.6帧/s、高3.95帧/s,试验结果表明,综合考虑准确率与运行速度,改进后的SSD算法较适合进行海参智能捕捞任务.研究结果为海参智能捕捞提供参考.