关键词:
海洋牧场
水下图像
图像融合
目标检测
摘要:
海洋牧场建设是海洋发展可持续发展的重要内容,是对海洋生态环境进行修复和改善的有效手段。计算机视觉技术在感知海洋环境领域有着重要贡献,但由于海洋环境复杂,光在水中传播过程中存在吸收和散射效应,会导致在海洋环境中拍摄到的水下图像出现模糊和失真的问题。此外,对海洋环境中的鱼类目标检测也存在着相互遮挡以及同背景颜色难以区分等技术难题。
为解决上述问题,结合企业需求,本文主要做了如下工作:
(1)针对海洋环境中光的吸收和散射作用导致的水下图像的退化问题,提出基于NSST与PCNN的水下图像融合算法(WNPF)。首先通过改变基于灰度世界算法的通道补偿方式来解决水下图像的颜色失真的问题,在此基础上将水下图像分别进行Gamma校正与锐化处理来获取对比度增强后的以及细节信息增强后的水下图像,然后将两图像运用NSST变换均分别分解为低频子带系数和带通子带系数,采用带通子带系数刺激PCNN神经元点火和基于区域能量的自适应加权融合的方式分别促使带通子带以及低频子带系数进行融合;将融合后的两系数进行NSST逆变换,从而得到重构后的水下图像。通过主观观察以及采用客观评价指标计算,验证了该方法的可行性,并为海洋牧场鱼类目标检测的训练阶段提供清晰可靠的数据集。
(2)针对海洋环境中鱼类目标相互遮挡以及同背景色难以区分而导致的目标检测准确率不高的问题,提出基于CB-YOLOv5s海洋鱼类目标检测算法。首先在YOLOv5s网络模型的Backbone部分加入CBAM,从空间和通道上获取信息,提高网络模型细节特征的学习能力;然后用Bi FPN代替FPN和PAN,通过构造双向通道实现跨尺度连接,将特征提取网络中的特征直接与自上而下路径中的相对大小特征融合,保留更加浅层的语义信息的同时降低深层语义信息的丢失。将该算法分别应用于公开海洋生物目标数据集URPC2021以及自建海鲈鱼数据集WEEVER上。在两个数据集上的准确率分别达到了86.6%和89.7%,与YOLOv5s相比,分别提高了3.3%和17.4%,证明了该算法的鲁棒性。
(3)针对传统海洋牧场养殖中的管理智能化程度低的问题,为青岛鲁海丰海洋牧场设计一套海洋鱼类目标检测与计数系统,该系统具有目标检测与计数功能,能检测出鱼类目标并进行目标计数。为使该系统适用于多种场景下的鱼类目标检测,设置了模型选择模块,可以通过在pt文件中导入多种训练权重,通过界面对训练权重进行选择,使其可以检测不同的数据集。目标检测模型无法快速设置参数,因此,设置了参数设置模块,工作人员可根据具体情况进行具体的参数设置。结果展示模块可同时展示输入数据以及检测后的数据,便于观察检测效果。同时设置计数功能,该功能可以对每类目标的数量进行统计并进行展示,便于工作人员监测鱼类数量,为海洋牧场提供更加智能化的管理。