基于YOLOv5s的水下生物识别算法研究

针对水下生物识别存在的精度较低、漏检率高的问题,提出一种基于改进YOLOv5s的水下生物识别算法YOLOv5s-CE。首先将自动色彩均衡算法ACE作用于水下图像,提升水下生物图像的对比度,消除色偏;同时在YOLOv5s网络模型的Backbone部分嵌入CA注意力模块,增强网络对目标特征提取能力;改进损失函数,达到保留有利特征和提高收敛速度的目的。实验结果表明,改进后的YOLOv5s-CE的平均精度提高了3.9%,可以满足对水下生物实时检测的要求。

基于改进可变形卷积的FDC-YOLO v8水下生物目标检测方法研究

水下生物目标检测是实现水下机器人自动化捕捞的关键性技术。针对水下生物目标检测任务中存在的目标重叠、遮挡以及目标尺度小而导致的误检、漏检等问题,提出了一种基于改进YOLO v8n的水下生物目标检测算法FDC-YOLO v8。首先,在主干网络中使用融合可变形卷积网络的FDC模块,以增强模型特征提取能力,提升其提取特征的丰富度。其次,引入融合分数阶傅里叶变换和空间注意力机制的FrSAConv模块,进一步分离多样目标特征,增强模型对多种特征的感知能力。最后,引入Wise-IoU损失函数作为模型边界框损失函数,以更好地解决目标不平衡以及尺度差异的问题。使用RUIE数据集进行实验,水下生物包括海胆、海星、海参、扇贝。实验结果表明,改进后的FDC-YOLO v8的平均精度均值达到85.3%,较基准模型提升2.6个百分点,推理速度达到769 f/s,在目标重叠、遮挡以及小尺度目标的水下生物目标检测中有更好的表现。