基于深度学习的海洋鱼类检测技术研究

作     者：邓权 

作者单位：山东大学 

学位级别：硕士

导师姓名：林明星

授予年度：2021年

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)] 081104[工学-模式识别与智能系统] 08[工学] 0828[工学-农业工程] 080203[工学-机械设计及理论] 082801[工学-农业机械化工程] 0835[工学-软件工程] 0802[工学-机械工程] 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）] 

主      题：鱼类检测 多尺度 特征金字塔 特征增强 数据不均匀 

摘      要：海洋鱼类检测是海洋资源开发利用的关键技术之一,如何准确、快速地识别海洋鱼类,对海洋资源保护和可持续开发有着不可或缺的研究意义。传统鱼类检测通常依赖人工特征设计以及机器学习分类完成,然而水下环境复杂多变,人工特征设计难度大,可移植性和鲁棒性差,难以满足实际需求。随着计算机科学的快速发展,深度学习被广泛应用于轨迹跟踪、生物检测等检测领域,大幅度提升了相关领域的检测精度。本文针对传统鱼类检测的不足,对深度学习目标检测进行了系统研究,并将其应用到海洋鱼类检测领域,主要研究内容和成果如下:1.以SSD检测算法为基本框架,分析了 SSD网络的原理与不足。针对SSD网络中浅层特征层感受野小,缺乏语义信息和上下文联系,导致网络对多尺度目标检测效果差的问题,提出了基于多尺度特征的SSD网络（FESSD）。FE SSD网络通过FPN结构和特征增强模块提高了网络的多尺度信息,增强网络上下文联系,提升检测模型对多尺度目标的检测准确率。FE SSD使用了卷积分解和分组卷积等技巧,保证网络能满足海洋鱼类检测对实时性的要求。2.分析了数据集中的数据分布不均匀问题,具体包括类别数据分布不均匀以及难分样本与易分样本之间的比例不均匀。针对类别数据分布不均匀问题,通过过采样均衡数据集,提高少数类对模型训练的贡献程度,进而提高FESSD网络对少数类的检测精度。针对难分样本问题,难分样本数量通常较少,但对于模型训练更重要,Focal loss通过提高对难分样本的重视程度,提高模型对数据集的检测效果。为了让Focal loss更好地融入FE SSD网络,本文通过大量实验确定了 Focal loss在FE SSD网络中的最优参数组合。最后通过综合实验证明了数据均衡方法能有效解决海洋鱼类数据集中的数据不均匀问题,提高FESSD网络对海洋鱼类的检测精度。3.为了满足实际检测的需求,基于MFC搭建了的海洋鱼类检测系统,具体包括图像采集、图像识别和效果展示模块。海洋鱼类检测系统操作便捷,能提高海洋鱼类检测的自动化进程。