摘要
21世纪被认为是人类大规模开发利用海洋的时期，我国要建设海洋强国，其中之一就是要发展海洋经济，提高开发利用海洋资源的能力。渔业作为海洋经济的支柱产业，近年来得到了快速的发展。面对海洋环境的复杂性，由于人类受到生理特征的限制，需要强有力的装备技术代替其完成高强度的水下作业。种类丰富的水下机器人能够根据需求灵活地设计功能，为水产养殖领域提供帮助，然而如何快速、准确的识别出不同的海产品是急需解决的问题。 对于小形体近距离的目标，光学图像检测表现出其独特的优越性。近年来基于深度学习卷积神经网络的图像检测取得了很大的进展，展现出了优异的性能。但是水下能见度条件的限制及水体对光的散射与吸收效应等海洋复杂环境的干扰，水下图像的亮度会下降并出现存在特征模糊、对比度低、失真等问题，同时水下图像采集难度较大，缺少足够的训练数据，些问题增大了视觉检测的难度。因此在将训练好的目标检测模型迁移到水下目标检测时，需要解决数据集不足和水下图像质量低的问题。 针对数据集样本类别分布不均衡的问题，对样本数量少的类通过神经风格迁移网络生成含有目标的水下风格图像，并通过最大均值差异和相似性度量两种方法，评估神经风格迁移网络生成的水下图像和真实图像的相似度。针对不同情况的生成图像采取不同的处理方式，将目标占据大部分图像面积的生成图像通过泊松图像编辑融合到水下图像的背景中。并对最终的生成图像进行目标标注，实现数据集的扩充。 针对卷积神经网络在检测水下目标时受图像质量低的问题，通过改进的YOLOv4网络模型提高水下目标检测的效果。首先对水下图像数据的特点和YOLOv4网络的结构进行分析，针对图像模糊和小样本的问题，在YOLOv4模型基础上对网络的输出结构进行改进，增加了一个更大尺度的输出，并引入了卷积注意力模块来增强有效特征，降低背景信息的干扰。通过实验结果评估了基于YOLOv4的改进算法在进行水下多目标检测时的性能，验证了基于YOLOv4的改进网络的有效性。
NETL