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.
基金项目
国家自然科学基金-山东省联合基金(U22A2044)
国家自然科学基金-山东省联合基金(U1806228)
国家科技期刊平台
NSTL
维普
万方数据