基于深度学习的水下目标检测算法研究

作     者：李伟 

作者单位：燕山大学 

学位级别：硕士

导师姓名：李海滨;田新华

授予年度：2023年

学科分类：08[工学] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 0802[工学-机械工程] 0811[工学-控制科学与工程] 

主      题：深度学习 水下目标检测 ATSS检测模型 特征融合 感受野增强 

摘      要：水下目标检测是自主水下机器人视觉感知系统中关键性技术之一,其利用传感器采集的图像信息快速准确的识别目标,为后续目标跟踪和定位提供必要依据。本文以水下的海参、海胆等目标为研究对象,首先介绍了水下目标检测研究的现状、意义以及深度学习目标检测算法网络结构的构成,在此基础上分析了水下目标检测的难点,从骨干特征网络以及多尺度特征融合方面展开研究,提出并训练了一种基于深度学习的水下目标检测算法模型,提高了水下目标检测精度,为海洋目标捕捉提供新型解决方案,为海洋学目标研究提供新的技术辅助。本文主要工作如下:(1)首先针对ATSS(Adaptive Training Sample Selection)算法水下环境水质混浊、光线差等问题以及远景拍摄小尺度目标检测精度低的问题,对进行改进。首先改进原算法的骨干特征网络,设计了两个含有空洞卷积的模块,来插入到Res Net-50中的网络结构,来增强模型的感受野;其次对于特征金字塔网络C3、C4、C5三个特征图分别使用三个不同大小膨胀率的卷积进行处理,并进行自顶向下以及自下向上的特征融合,生成了细节信息丰富、强鲁棒性的特征。(2)针对上面改进算法中部分小目标检测失败的问题,提出了多尺度平衡特征融合模块以及在特征金字塔网络添加基于注意力的Conv2Former的模块。首先对于特征金字塔网络,对相邻层特征进行融合之前进行特征筛选,突出相关的特征信息,抑制无关的背景信息,从而能够更好的融合各个层的信息;其次在特征金字塔网络中加入Conv2Former的模块,经过反复计算和实验,最终选定了合适大小的大卷积核,其和其它卷积相乘构成的卷积调制模块的主体可以实现局部的信息交互,Transformer模块可以捕捉图像中的全局语义信息,卷积操作和Transformer模块相互配合,相互补充,共同实现信息交互,从而更好地检测小目标。