摘要
在21世纪的今天，海洋资源成为越来越多的国家关注的焦点，其巨大的面积蕴藏了丰富的自然资源。长期以来，人们在利用海洋资源的过程中，过于重视其使用价值和市场价值，却忽略了海洋资源的生态价值，使海洋生态系统遭到破坏，影响到海洋生态系统服务功能支撑能力。在海洋生态系统的结构中，浮游生物占据重要的位置，其数量的变动和空间分布对海洋生态系统的功能运转等都有重要的影响。因此，浮游生物成为很多学科中重点研究的对象，通过研究浮游生物达到对海洋生态环境进行监测的目的。 目前浮游生物的监测技术主要是基于传统的图像处理的方法对浮游生物进行识别分类计数，但该技术存在一定的问题：需要前期对图像进行复杂的预处理，还需要人工设计和提取特征，并且不同场景下适应性较差。海洋浮游生物作为可运动的三维物体，其形态，大小和位置时刻都处于不断的变化之中，这会给传统方法下的目标分割处理带来困难并会产生一定的误差。然而，随着深度学习的快速发展，卷积神经网络（CNN）被越来越多的应用在细胞、车辆以及人群计数中，并取得了不错的成绩。这使得基于深度学习对海洋生态环境进行监测成为可能，利用深度学习对浮游生物进行识别计数亟待研究。 本文分析了深度学习的基本思想以及神经网络的结构和特点，结合浮游生物的形态以及运动特征，采用了浮游生物视频采集系统即三个具有不同放大倍数的显微镜头拍摄装置来解决浮游生物大小范围大的问题，实现包含多种浮游生物的清晰视频的采集，并建立浮游生物数据库；根据对卷积神经网络优势的分析，分别应用了Segnet、Unet、pix2pix和Resnet网络实现对浮游生物的计数，并对这几个网络不断地进行优化。最终，实验数据表明，使用perceptualloss的Resnet网络，其通过限制output和真值groundtruth之间的距离，能够得到不错的分割计数效果。 为实现浮游生物实时计数的实际应用，本文设计了一个基于TX2的实时浮游生物计数系统，根据对嵌入式平台TX2软硬件开发环境的优势分析，本文将实验结论中的算法移植到嵌入式平台TX2上，置于水下机器人（ROV）的密封舱中，成功搭建基于TX2的实时浮游生物计数系统。
NETL