改进YOLOv5s的弱光水下生物目标检测算法

针对水下光学图像目标检测过程中由于水中光线衰弱严重、图像环境复杂和拍摄设备移动等造成的生物识别精度低的问题,提出了基于改进YOLOv5s的弱光水下生物目标实时检测算法YOLOv5s-underwater。针对弱光水下光线衰弱的问题,引入了限制对比度自适应直方图均衡(CLAHE)算法对输入图像进行预处理,解决了颜色失真和图像毛糙的问题。针对复杂的弱光水下图像环境,提出了快速空间金字塔池化(SPPF)模块,解决了水下物体区分度低和特征损失严重的问题。针对拍摄设备移动带来的场景和形态变化问题,提出了一种基于旋转窗口的Swin-Transformer模块,提高了模型的泛化能力。针对水下小目标,修改了网络模型结构,提高了小目标的检测能力。仿真和实验结果表明:所提算法相较于YOLOv5s检测精度提高30.7%,证明了算法的有效性。

基于YOLOv5_PGS的轻量级水下生物识别目标检测

在复杂自然环境下高效探测水下生物资源对中国渔业具有重要意义。针对复杂弱光环境下水下生物资源识别能力低、特征丢失严重等问题,本文提出了一种轻量级的水下生物检测算法。首先,针对水下图像颜色偏差大、清晰度低等问题,提出暗通道-对比限制-光衰减算法用于丰富图像特征信息。其次,引入GhostNet网络和构建C3CA模块提高模型的特征提取和融合能力。最后,对损失函数进行了改进,在降低总损失自由度的同时进一步提升算法的泛化能力。实验结果表明,YOLOv5_PGS算法在水下生物数据集上的检测精度达到了86.22%,较原YOLOv5L算法提高了0.48%。此外,本文算法模型的体积仅为20.4MB,比原模型减少了89.31%,检测速度提高了56.56%。实验结果表明,YOLOv5_PGS算法在水下图像处理中取得了良好的效果,为水下生物资源的实时检测提供了保证。

基于生物启发神经网络的多AUV目标搜索

针对多AUV(Autonomous Underwater Vehicle)目标搜索问题,引入生物启发神经网络,提出生物启发多AUV搜索算法。将水下栅格地图与生物启发神经网络相联系,神经网络中每一个神经元与水下栅格地图中的位置单元一一对应,根据该神经网络中神经元的在线活性输出值分布情况制定AUV局吸引,同时受障碍物的局部排斥,使AUV性,提高AUV目标搜索的实时性。静态环境和动态环境下仿真结果证明生物启发神经网络在多AUV目标搜索中的有效性。