基于图像增强与改进YOLO的水下环境河蟹识别轻量化模型研究

作     者：张铮 鲁祥 胡庆松 

作者机构：上海海洋大学工程学院 

出 版 物：《农业机械学报》 (Transactions of the Chinese Society for Agricultural Machinery)

年 卷 期：2024年

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 0828[工学-农业工程] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 082801[工学-农业机械化工程] 0802[工学-机械工程] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：上海市崇明区农业科创项目(2021CNKC-05-06) 上海市水产动物良种创制与绿色养殖协同创新中心项目(2021科技02-12) 

主　　题：水产养殖 河蟹识别模型 图像增强 YOLO v5s 轻量化 

摘      要：利用机器视觉技术识别水下河蟹目标是实现河蟹养殖装备智能化的有效途径之一。针对水下环境目标识别困难，河蟹包含特征信息少、主流的目标检测模型复杂度高等问题，在YOLO v5s的基础上提出了一种适用于水下环境的轻量级河蟹识别模型GC-YOLO（GhostNetV2-CBAM-YOLO v5s）。利用改进的图像增强算法对水下河蟹图像进行预处理以改善其质量；为降低模型复杂度，提出了基于GhostNetV2的G3模块以改进模型的特征提取网络，并利用幻影卷积进一步轻量化模型；为了优化模型的河蟹特征学习能力，在Neck层和Head层之间引入卷积块注意力模块（Convolution block attention module，CBAM）。实验结果表明，该模型测试集的平均精度均值（Mean average precision，mAP），召回率和精确率分别为95.61%，97.03%和96.94%，较YOLO v5s分别提升了2.80，2.25和2.28个百分点；而GC-YOLO的参数量，浮点运算量和模型内存占用量仅为YOLO v5s的69.1%，56.3%和58.3%。通过实验对比，该模型在识别精度和模型复杂度上优于其他主流目标检测模型；识别速度仅次于YOLO v5s，可达到104 f/s。