基于改进Mask R-CNN的海参和海星的检测算法

目的:为了提高水下复杂环境下检测海参和海星等水下目标物的鲁棒性。方法:提出了基于改进Mask R-CNN的海参和海星实例分割算法,该算法以Mask R-CNN结构为主框架,将Swin Transformer主干网络代替Mask R-CNN原本的ResNet卷积神经网络;同时采用Water-Net网络对海参和海星实例数据集进行图像增强;最后采用Soft-NMS的方法替换经典的NMS算法。结果:在本文自己标定的数据集上进行实验,与改进前Mask R-CNN相比,本文算法检测框检测mAP可达到70.6%,提升6.4%;实例分割mAP达到了69.2%,提高了4.7%,并且正确率收敛于97%。结论:与其他主流目标检测算法相比较,本文提出的方法具有更高的检测精度,在水下目标检测任务上更加具有优势。