摘要
海洋生物作为海洋资源的重要组成部分，也是维护地球生态平衡的重要力量。海洋生物通常栖息在不同位置，通过对海洋生物位置和物种的识别，了解不同种类海洋生物的生活环境和习惯，对海洋生物资源和生态环境的保护起着至关重要的作用。 本文深入研究基于深度学习的目标检测模型，针对海洋生物体积小、身形相似，现有检测算法准确性和实时性难以兼顾的问题，基于YOLO（YouLookOnlyOnce）系列的单阶段检测模型，对多种海洋生物和陆地数据进行了大量实验，并通过对海底图像的特征分析提出了三种不同的检测算法模型，模型不仅在海洋生物数据集上表现较强检测性能和较高的检测效率，在公共数据集中也取得了很高的检测准确度。 本文的主要研究工作如下： （1）针对现有海洋生物识别准确不高的问题，基于YOLOv4框架，提出一种MDM-YOLO（MarineDetectionModelwithYOLO）海洋生物检测算法。在YOLOv4网络中设计多分支主干网络增加梯度流动路径，并利用高效置换注意力机制中促进重要特征信息之间的交流，提高网络检测多尺寸目标的鲁棒性。实验结果表明，MDM-YOLO模型提高了2.31%的检测精度，具有更低的漏检率。 （2）针对小目标难以准确识别的问题，基于YOLOv7框架，提出了一种LK-YOLO（YOLObasedonLargeKernelConvolution）的海洋生物检测算法。构建混合空洞大核注意力机制，同时获取卷积中局部感受野和注意力的长距离信息，新的残差卷积模块也被设计用于促进特征多方位关系的捕获，提高检测器的性能。为了自适应筛选可用信息，创新性地改进检测头，加入自适应空间融合技术，学习在不同特征层对特征进行空间过滤。实验结果表明，改进网络在各尺寸目标下的表现都极佳，在两个不同数据集上分别提高了2%和14%的高精度。 （3）针对轻量检测模型难以同时满足准确性和实时性的问题，基于YOLOv4-tiny框架，提出了一种MODA（MarineObjectDetectionAlgorithm）海洋生物定位识别算法。在主干网络中引入位置和通道注意力单元，加深网络特征提取程度，并设计混合空洞卷积扩大感受野，进一步促进深层特征的融合。实验结果表明，MODA模型在高速率检测的基础上，提高2.62%的海洋生物检测精度。
NETL