文摘
自动检测和钓鱼到水下机器人将获得未来水产品的主要方式;海胆的主要研究对象是水产品检测。当古典单发MultiBox检测器(SSD)算法应用到海胆的检测,它也有缺点的不准确的小目标和对海胆的方向。基于经典的SSD算法,提出了一种feature-enhanced海胆检测算法。首先,根据spiny-edge海胆的特点,多方向的边缘检测算法,增强功能,作为第四频道的形象和水下图像的原始3频道一起作为输入为进一步深入学习。然后,为了提高SSD算法的缺点的穷人检测小目标的能力,resnet 50作为网络的基本框架,和横向校正融合的特点是采用改善功能的表达能力,加强语义信息。开放数据集提供由中国国家自然科学基金委水下机器人竞争将被用作测试集和训练集。在同样的训练和测试条件下,美联社的价值本文算法达到81.0%,比经典的SSD算法,高7.6%,小目标分析的信心也有所改善。实验结果表明,本文算法能有效地改善海胆检测的准确性。
1。介绍
自动检测和钓鱼到水下机器人将获得水产品的主要方式在未来,和海胆的主要研究对象是水产品检测。完成自主发现和打捞水下机器人(1),一系列基础研究和科学问题如水下通信(2)、水下定位(3)、信息感知(4)、目标探测和识别(5),和目标把握需要解决(6),这是一个重要的领域许多研究人员的关注。海胆是主流的对象在当前水产品检测的研究。检测和识别海胆打捞在视频中是一个重要的先决条件,具有较强的工程实现价值和科学研究意义。
目前,还没有专门为海胆、检测算法和目标检测方法都是基于传统的机器学习和深入学习7]。传统的机器学习方法首先选择一些候选人在给定的水下图像区域(8),然后利用尺度不变特征变换等方法(筛选)和面向梯度直方图(猪)9)定义的特性,最后,利用支持向量机(SVM) [10),自适应提高(演)11),和其他技术的分类。
然而,传统的目标检测方法有以下问题:当水下光线变化迅速,该算法不是有效的12];当慢动作和背景颜色一致,不能提取特征像素;时间复杂度高;和抗噪声性能很差。与传统的机器学习算法相比,深度学习具有数据量大、伸缩性强,适应性好,容易转换。它可以执行端到端目标探测没有特别定义的特性。它是一种强大的方法自动学习功能陈述数据。在此基础上,本文使用深度学习方法对海胆进行相关研究。
当前基于深度学习的目标检测方法主要可以分为两类:一是一个两阶段的目标检测算法基于候选区域,如提出卷积神经网络(R-CNN) [13介绍基于区域)、快速卷积神经网络(快速R-CNN) [14快,提出卷积神经网络(快R-CNN) [15]。另一个是单程的目标检测算法基于回归,如SSD(单发MultiBox检测器)16有人知道由罗(你只看一次)[]和17]。
2013年,Girshick等人提出了提出卷积神经网络R-CNN,而且它是一个基于深度学习的目标检测算法。卷积神经网络,它可以应用于图像分类任务,已成功应用于图像检测任务。R-CNN目标检测实现了53.3%的准确率2012年帕斯卡VOC测试集。与以前的最佳目标检测算法相比,精度提高了30%。
2015年,罗斯Girshick改善先前提出R-CNN R-CNN算法和提出的快。快R-CNN结合CNN特征提取和随后的SVM分类和使用了一种新的网络来实现分类和回归。快速R-CNN可以通过多任务学习获得单程训练过程,大大降低了读和写操作;后快速R-CNN整幅图像发送到CNN, CNN的特点不同的候选区域在图像计算通过映射关系,这样只有一个计算是必要的,以避免重复计算的问题。因为这些改进,快速R-CNN是9倍R-CNN在训练。
尽管如此,因为快R-CNN仍然使用选择性搜索策略,不达到工业水平速度。2016年,任Shaoqing约瑟Redmon等人提出了更快的R-CNN和YOLO算法,意思分别。前的基础上提高快速R-CNN。越快R-CNN建造了一个地区建议网络(RPN),这个网络取代了选择性搜索方法用于R-CNN R-CNN较快,它可以训练神经网络模型的端到端,然后,加速目标检测的速度,检测速度可以满足实时的要求。后者是基于回归的目标检测方法。寻找候选目标框和确定目标的类别,YOLO进行输出层意思同时,大大加快了检测速度和达到45帧/ s,它可以满足实时目标检测的要求。
同年,魏刘等人提出了固态硬盘;它结合锚机制更快R-CNN和回归的想法在YOLO,意思作为输入使用小卷积滤波,图像特征提取和不同尺度的特征与不同长宽比分类预测。与快R-CNN相比,平均检测精度基本上是相同的,但是模型的训练速度更快。相比之下,YOLO,意思检测速度略有提高,平均检测精度从63.4%上升到72.1%。因此,本文选择了SSD算法进行海胆检测。
在应用SSD海胆检测的初步工作,我们在公共数据集进行实验提供由中国国家自然科学基金委水下机器人竞争。数据分析后,我们发现现有的经典SSD算法的缺点不准确检测小型海胆的目标,和海胆的总体检测性能进一步提高的余地(美联社经典SSD的值是73.4%)。
考虑到,在传统的机器学习中,一个海胆有几个重要的特性,比如黑色,圆的,多刺的,我们分析,深度学习应该没有压力的提取黑圆的特性。由于刺的不同角度和不同大小的卷积,这可能是因为深度学习的可能性进一步改善荆棘的检测效果。因此,本文打算使用功能增强的方法,努力提高分析能力学习的带刺的深度学习的功能,从而提高检测的性能和海胆的识别;然后,为了提高SSD算法的缺点的穷人能够探测小目标(18),我们使用Resnet50 [19)作为网络的基本架构特征提取来取代原VGG16 [20.SSD算法的基础设施和使用功能横向校正融合理念改善功能的表达能力,加强语义信息。这个想法打算使用3融合完成高层之间的连接网络和底层网络,它可以扩大目标探测的范围的视野,增强小目标的上下文信息的预测。
本文的组织结构如下:第二部分介绍了SSD算法的背景信息;第三部分详细描述了改进网络算法;第四部分展示了实验装置,提供了研究结果,并讨论了这些结果;第五部分总结了全文。
2。背景
卷积神经网络是一种前馈神经网络,它包括卷积计算和深层结构(21]。它有三个核心理念:本地网络连接,卷积内核参数共享池。本地连接和参数共享的联合效应是减少参数的数量,使操作简单、高效,并能操作非常大的数据集。连接池是聚合不同位置获得较低维度的特点,它可以防止过度拟合的问题(22]。在此基础上,一个轻微的调整网络框架可以提高模型的泛化能力和鲁棒性(23]。
单发MultiBox探测器(SSD)算法是一个单程算法;它是一种最实时和目前先进的目标检测算法。SSD算法完成的任务分类和定位目标只使用一次卷积网络。SSD的结构框架如图1。它使用VGG16为基本架构,介绍了设计前的概念框架。VGG16的基础上,添加一个新的级联卷积层获得多尺度特征图来检测目标。所有的预测结果都合并在一起,最后获得的检测结果是Nonmaximum抑制(NMS)。
SSD的设计理念模型如下。
2.1。SSD地区候选框
SSD采用多尺度特征映射的方法。地区候选人大小不一的盒子和纵横比将不同尺度的特征图谱。区域计算候选框定义如下:
在公式(1),是功能层的数量;是最低的特征地图比例尺(默认值为0.2);是最高的特征地图比例尺(默认值为0.9);和中间特性图尺度是均匀分布的。候选框在该地区有不同纵横比的 。该地区的候选人盒子的宽度和高度 和 ,和该地区的候选人盒子的长宽比1,额外的规模 是补充道。每个地区候选框的中心坐标 。他们,的宽度吗特征映射,的高度吗特征映射, ,和 。
最后,SSD使用conv4_3 fc7 conv8_2, conv9_2, conv10_2, conv11_2预测层。网络的深化,功能图的大小逐渐减少和候选帧的大小不断增加。因此,浅特性映射是用于检测小目标,地图和深特性是用来探测大目标。
2.2。SSD损失函数
SSD的训练过程中,目标位置和类别是退化。目标功能损失包括两部分:位置失去信心(Loc)和损失(配置)。表达式如下:
在公式(2),是区域之间的匹配候选人的数量框和真正的盒子。如果 ,然后 ; 的匹配结果地区候选框和真正的盒不同类别。如果它匹配 , ; 是预测盒的信心;预测的位置偏移量信息框;偏移量信息的真实和地区候选人盒盒;和减肥的位置通常设置为1。
3所示。功能增强
3.1。多向边缘特性增强算法
前期工作中应用SSD海胆检测,我们发现,检测性能仍有进一步改进的空间(美联社经典SSD的值是73.4%)。
分析后,我们认为,海胆有几个重要的特性,比如黑色,圆的,和多刺的,我们认为深度学习应该没有压力的提取黑圆的特性。由于刺的不同角度和不同大小的卷积,这可能是因为深度学习的可能性进一步改善荆棘的检测效果。因此,本文提出一种海胆检测算法基于功能增强。根据spiny-edge海胆的特点,多方向的边缘检测算法,增强功能,作为第四频道的形象和水下图像的原始3频道一起作为输入为进一步深入学习。
功能增强是提高图像中的有用信息(24),它可以是一个失真的过程。目的是为了改善图像的分析影响给定图像应用情况(25]。我们有目的地强调图像的整体或局部特性,将原来不清楚图像清晰或强调一些有趣的特性(26),扩大区别图像中不同对象的特点,并抑制无趣的特性。提高图像质量(27),更丰富的信息量(28),和图像判读和识别效果加强29日),以满足某些特殊分析的需要。
海胆是黑色的整体与荆棘,圆形。如果海胆的边缘特征可以有效地提取,它将对其识别和定位有一定的影响。海胆刺有一个小角。检测角边缘检测算法中的每个操作符在一个方向上是180度,发现在两个方向角是90度,在4方向和探测角是45度。很难准确地识别大多数海胆刺。根据这一点,本文提出8方向和16方向改善检测角分辨率提高边缘检测的准确性海胆刺,然后,使用边缘检测通道作为第四频道增强的边缘特征海胆。
本文提出一种大小,16-direction普瑞维特运营商,与其他经典Sobel算子2-direction相比,拉普拉斯算子单向,普瑞维特运营商2-direction,普瑞维特运营商4-direction,普瑞维特八向运营商。结果如图2 (b)- - - - - -2 (g)和3 (b)- - - - - -3 (g)。
(一)
(b)
(c)
(d)
(e)
(f)
(g)
(一)
(b)
(c)
(d)
(e)
(f)
(g)
数据2(一个)和3(一个)是两个海胆地图随机选择从公共数据集提供由中国国家自然科学基金委水下机器人竞争。图2(一个)是大量小的场景目标海胆。图3(一个)multicategory水产品的干扰,它更代表。比较图像边缘提取的结果在不同的场景地图,可以比较三个运营商的效果差异。数据2 (b)2 (g)和3 (b)3 (g)后效应图表现为Sobel边缘检测,普瑞维特和拉普拉斯算子在数据吗2(一个)和3(一个)。它可以发现,拉普拉斯算子单向Sobel边缘检测效果不如运营商2-direction,普瑞维特运营商4-direction,普瑞维特运营商八向,但边缘海胆的刺可以更好的提取。相比之下,普瑞维特运营商2-direction边缘检测效果较差,很难找到海胆的边缘信息,但噪音更少。其中,普瑞维特运营商16-direction边缘检测有最好的效果和边缘灰度值高,它可以检测出边缘信息的海胆更好,但噪音较大,而SSD算法具有很强的抑制噪声的能力,所以噪音不是考虑时间的问题。
普瑞维特运营商16-direction边缘检测的可视化效果是最好的。多向边缘检测过程耗时普瑞维特运营商16-direction作为一个例子,如功能增强项目所示。以输出图像为第四频道,可以清楚地看到,棘手的区域边缘的海胆,突出显示和后台区域几乎是白色,这样可以更好的分割背景和海胆。
特性增强项目:步骤1。读取图像步骤2。颜色映射到灰度变化步骤3。输入普瑞维特运营商16-direction模板,例如 ;梯度图像通过使用普瑞维特在16个方向和梯度算子转化成CV_8UC1步骤4。首先进行二值化上执行转换后的梯度图像获取二值化图像步骤5。16日执行和操作二进制图像根据相应的像素步骤6。进行多次迭代膨胀和腐蚀操作的二进制文件步骤7。轮廓搜索和填补小区域块步骤8。背景腐蚀步骤9。输出掩模图
3.2。功能横向校正融合模式
前期工作中应用SSD海胆的检测,我们发现,检测性能进一步提高的余地(美联社经典SSD的值是73.4%)。
通过深入分析,我们认为主要的问题是,一些海胆是小目标,和传统的SSD算法具有一个相对贫穷的检测影响小型对象。浅提取的特征映射表示能力不够强。通过这种方式,将会有misdetection和错过了检测小目标的海胆。根据这一点,为了提高识别能力差的特点SSD算法对于小目标,改进的SSD算法利用剩余的概念网络和使用Resnet 50代替VGG16网络的基本框架。网络架构如图4。深化学习神经网络的残差可以避免过度拟合的问题和网络梯度的消失,学习更抽象的纹理特征和语义特征,并加强表达能力的特性,以提高目标分类和位置的能力。同时,提出了一种横向校正特征融合方法提高功能的表达能力和加强语义信息,进一步改善贫困问题的SSD算法对小目标的检测能力。
在图4,三个融合模块用来完成高级网络和底层网络之间的联系。小目标的上下文信息预测是增强的,和目标探测的视野扩大。的融合特征融合模块1,也就是说,跳过连接res2_3 res5_3,送入conv6,如图5。为了融合特征图谱res2_3和res5_3 res5_3需要upsampled的特征图谱。首先,res5_3功能地图upsampled插值和upsampling res2_3一样的大小。upsampling的输出映射到修改后的激活功能层(修正线性单元(ReLU)) (22)通过卷积核的卷积层 。然后,通过规范化的L2正则化层(批量标准化(BN))。Res2_3直接映射到Relu层通过激活函数 卷积内核映射,然后输入L2正则化层。输出两个分区之间的合并后总结和传递给Relu层。最后, 卷积核是用来区分,确保检测特性和融合功能实现后Relu层。融合模块2的特性融合res3_4和res5_3 jump-level conv7连接。融合模块3的特性融合res4_6和res5_3 jump-level conv8连接。最后,conv6的四个特征图( ),conv7 ( ),conv8 ( ),和res5_3 ( )特征融合后送往预测模块进行预测。
3.3。整体的改进过程
图6水下图像检测的总体流程图,它描述了计算和改进SSD算法的操作过程。分析后,我们认为,海胆有几个重要的特性,比如黑色,圆的,和多刺的,其中深度学习应该没有压力的提取黑圆的特性。由于刺的不同角度和不同大小的卷积,这可能是因为深度学习的可能性进一步改善荆棘的检测效果。因此,本文提出一种海胆检测算法基于功能增强。根据spiny-edge海胆的特点,普瑞维特运营商16-direction边缘检测算法增强特性,作为第四频道的形象和水下图像的原始3频道一起作为输入为进一步深入学习。
与此同时,一些海胆属于小目标,传统的SSD算法具有一个相对贫穷的小型检测影响的对象。根据这一点,为了提高SSD算法的特点是可怜的小目标识别能力,改进的SSD算法利用剩余的概念网络和使用Resnet 50和替换VGG16作为网络的基本框架,它可以避免过度拟合的问题和网络梯度的消失。采用功能横向校正融合理念改善功能的表达能力,加强语义信息。最后,特征地图发送到预测模型的训练,和海胆检测结果图。
4所示。实验分析
CPU:国米i7 - 9700 k的内存:16 g DDR4 GPU: Nvidia Geforce GTX2080Ti,操作系统:64位Ubuntu 16.04,实验框架是Pytorch开源框架。随机梯度下降法用作学习速率,最初的学习速率为0.001,和学习速率时减少10倍的迭代次数是100年,150年和200年的周期;势头被设置为0.9,重量衰减系数设置为0.0001,和培训一批大小是32,培训300周期。
本文使用公共数据集提供由中国国家自然科学基金委水下机器人大赛(30.]随着训练集和测试集。公共数据集包含3000培训照片和800测试图片,总共有3800图片,和图片大小一致 。其中,海胆不同大小和类型。3800张照片都是水下图像,不同的照明条件下,复杂背景(31日),和不同程度的阻塞。海胆的检测和其他目标在本文中实际上是一个两分的问题。最终目标是正确检测所有的海胆,减少漏检率和误检测率。
为了更好地评估模型,我们将TP(真阳性)代表真正的类,正确积极的样本预测的模型,和FP(假阳性)代表真正的负类,这是积极的为负样本的预测模型。FN(假阴性)代表一个假负类,即负样本的预测模型作为积极,TN(真正的底片)代表一个真正的负类,即负样本的预测模型为负。精度和召回率的公式如下:
对于每一个类别的目标探测,支票line-recall率(P-R)曲线,曲线下的精度是平均精度(美联社)。对于这个任务,只有一个类型,所以美联社地图(平均平均精度)。美联社公式如下:
4.1。分析多向边缘特性增强算法的合理性
前期工作中应用SSD海胆检测,我们发现,检测性能仍有进一步改进的空间(美联社经典SSD的值是73.4%)。
分析后,我们认为,海胆有几个重要的特性,比如黑色,圆的,和多刺的,我们认为深度学习应该没有压力的提取黑圆的特性。由于刺的不同角度和不同大小的卷积,这可能是因为深度学习的可能性进一步改善荆棘的检测效果。因此,本文提出一种海胆检测算法基于功能增强。海胆的spiny-edge特点,多方向的边缘检测算法增强特性,作为第四频道的形象和水下图像的原始3频道一起作为输入为进一步深入学习。
图7显示图像的拉普拉斯算子单方向后,普瑞维特运营商2-direction,普瑞维特运营商4-direction,普瑞维特运营商八向,普瑞维特运营商16-direction, Sobel算子2-direction边缘检测过程。本文的改进算法模型与传统的SSD算法损失函数相比,x设在代表了时代,y设在代表训练的损失。传统的SSD算法的损失函数波动很大。当训练达到200周期,两个算法的性能基本稳定。后图像进行了边缘检测在多个方向,该算法的训练损失是明显低于的SSD算法。
(一)
(b)
(c)
(d)
(e)
(f)
表1显示了海胆的性能指标识别有无功能增强不同的测试模型。在水下图像边缘提取通过多个方向,Sobel算子的性能指标2方向,普瑞维特操作员2方向,普瑞维特运营商4方向,普瑞维特运营商8个方向,普瑞维特运营商16方向,拉普拉斯算子比较单一方向。数据显示,该算法的性能检测目标框架(32Sobel算子的2-direction边缘检测已提高到82.9美联社,这是9.5高于没有边缘通道。算法的性能目标检测框架本文普瑞维特运营商4-direction和八向边缘检测的接近,普瑞维特运营商,其中八向提高到82.3% AP水平高出8.9%,没有边缘通道。算法的性能目标探测普瑞维特操作符的框架本文16-direction AP提高至83.1%,高出9.7%相比,没有优势通道,而边缘普瑞维特运营商渠道2-direction就没那么有效了。使用普瑞维特操作符16-direction海胆的可以更好地提取边缘特征并最终提高检测精度在以后的阶段。
4.2。横向校正融合理性的分析功能
分析应用SSD海胆检测的初步工作,我们认为主要的问题是,一些海胆是小目标,和传统的SSD算法具有一个相对贫穷的检测影响小型对象。浅提取的特征映射表示能力不够强。通过这种方式,将会有misdetection和错过了检测小目标的海胆。根据这一点,为了提高识别能力差的特点SSD算法对于小目标,改进的SSD算法利用剩余的概念网络和使用Resnet50代替VGG16网络的基本框架。深化学习神经网络的残差可以避免过度拟合的问题和网络梯度的消失,学习更抽象的纹理特征和语义特征,并加强表达能力的特性,以提高目标分类和位置的能力。同时,提出了一种横向校正特征融合方法提高功能的表达能力,加强语义信息特征的理性分析横向校正融合理念,主要看损失函数和P-R曲线在训练。培训期间损失函数的收敛曲线如图8(一个)。
(一)
(b)
(c)
这个算法的训练结果比较与传统的SSD, RFBNet(接受域块净)33),FSSD(功能融合单发Multibox检测器)34),RefineDet(单发改进神经网络用于目标检测)35],M2Det(多层次、多尺度检测器)36)算法,在那里x(时代)和设在代表时期y设在代表训练的损失。在早期阶段的训练,RefineDet使用Refine_multibox_loss, multibox_loss的第二次手术,因此收敛速度慢;其他5曲线使用multibox_loss作为损失函数,及其收敛速度非常快。当训练达到200周期,原SSD算法的损失函数值保持稳定,不再收敛,维持一个高价值损失,和定位和分类损失是非常大的;RFBNet、FSSD M2Det算法是基于SSD算法有一定的网络体系结构和功能融合优化来获得更好的培训效果;即使它达到200次,损失函数继续收敛;ISSD算法提出了采用横向校正特征融合的方法,从而确保较小尺度的对象不会有问题的目标消失在更深的网络层旋转后,它可以提供改进的性能在后期小目标。这是非常有用的在训练阶段,取得了更好的效果。
美联社在训练价值表所示2。P-R曲线如图8 (b)。SSD算法分类准确率和召回率低指数和召回率最高只有0.83。相比之下,虽然RFBNet召回率最高的是类似于SSD,其分类精度较高。即RFBNet-based海胆的海胆识别系统具有更高的信心。RefineDet使用二次multibox_loss损失函数,它类似于更快R-CNN检测方法。在第一阶段,它执行两个分类过滤大量的样本,然后在第二阶段,它执行multiclassification获得检测结果,大大提高了准确率,减少召回率。召回率仅为0.80,最高和最低的准确率高达0.72。FSSD和M2Det算法比SSD和RFBNet有明显的优势。召回率达到0.86,但很难达到预期的性能。ISSD算法提出了结合了上述三种算法的优缺点,进行了一系列的改进。 Finally, the performance of the algorithm has been greatly improved. Figure8 (c)显示了水下目标探测测试集的测试结果,从图可以看出,随着培训期间变得更大,六个算法的检测精度不断提高,SSD算法的检测性能差别很大,和它的收敛是最快的。200年培训周期,6个算法的性能基本上是稳定的。本文算法的检测精度明显优于SSD算法,和最后测试的精度达到0.81。表2ISSD美联社获得的性能指标的算法模型和SSD, RFBNet, FSSD, RefineDet,和海胆M2Det目标探测模型的测试数据集。该算法提出了一系列的改进,最后,算法的性能得到进一步改善。最初的SSD算法没有获得上下文的语义信息的直接预测多层特征映射。置信水平较低时,召回率低于其他三种算法。当置信水平增加,整个召回率收敛很快,和海胆的置信水平通过使用SSD算法非常低。
4.3。实验结果分析
分析应用SSD海胆检测的初步工作,我们相信,海胆有几个重要的特性,比如黑色,圆的,和多刺的,我们认为深度学习应该没有压力的提取黑圆的特性。由于刺的不同角度和不同大小的卷积,这可能是因为深度学习的可能性进一步改善荆棘的检测效果。因此,本文提出一种海胆检测算法基于功能增强。海胆的spiny-edge特点,多方向的边缘检测算法增强特性,作为第四频道的形象和水下图像的原始3频道一起作为输入为进一步深入学习。与此同时,我们认为,主要问题是一些海胆小目标,和传统的SSD算法具有一个相对贫穷的检测影响小型对象。浅提取的特征映射表示能力不够强。通过这种方式,将会有misdetection和错过了检测小目标的海胆。根据这一点,为了提高识别能力差的特点SSD算法对于小目标,改进的SSD算法利用剩余的概念网络和使用Resnet50代替VGG16网络的基本框架。深化学习神经网络的残差可以避免过度拟合的问题和网络梯度的消失,学习更抽象的纹理特征和语义特征,并加强表达能力的特性,以提高目标分类和位置的能力。数据9和10改进的SSD算法的影响图模型检测执行Sobel算子的边缘检测处理后2-direction,普瑞维特运营商2-direction,普瑞维特运营商4-direction,普瑞维特运营商八向,普瑞维特运营商16-direction和拉普拉斯算子单方向。很明显,从图可以发现,在进行多方向的边缘检测图像提出了,本文的算法有更好的性能检测小目标。总之,多向检测算法提出了更好的性能在海胆检测。
(一)
(b)
(c)
(d)
(e)
(f)
(g)
(一)
(b)
(c)
(d)
(e)
(f)
(g)
表3显示了海胆的信心ISSD多向算法检测图9(一个)。表4显示了海胆的信心ISSD多向算法检测图10 ()。在表中,大胆的价值观,强调是最好的和强调的价值观是第二个最好的。它可以清楚地发现,普瑞维特运营商16-direction边缘检测海胆最高的信心。普瑞维特算子的边缘检测效果2方向的差,而且会有漏检。
分析应用SSD海胆检测的初步工作,我们相信,海胆有几个重要的特性,比如黑色,圆,带刺的。海胆的spiny-edge特点,多方向的边缘检测算法增强特性。的比较数据表3和4可以更清楚地显示的正确性海胆增强提出了基于特征的检测算法,作为第四频道的形象和水下图像的原始3频道一起作为输入为进一步深入学习。使用普瑞维特操作符16-direction海胆的可以更好地提取边缘特征并最终提高检测精度在以后的阶段。
5。结论
自动检测和钓鱼到水下机器人将获得水产品的主要方式在未来,和海胆的主要研究对象是水产品检测。应用经典的SSD海胆的初步工作检测,现有的不准确的缺陷检测的小海胆目标,和海胆的检测的整体性能有进一步改善的空间。因此,本文使用功能增强的方法来提高分析能力,深度学习的功能学习棘手的边缘和改善性能的检测和识别的海胆。我们使用resnet 50作为网络特征提取的基本架构取代的原始VGG16 SSD算法。
根据实验数据的分析,本文改进经典的SSD有效提高能力的SSD海胆识别任务。然而,改进的模型仍有缺点,不能满足实时要求,主要是因为多向边缘检测有很大的计算量和运行时间很长在图像处理,所以该算法优化和计算压缩量满足实时要求,并使用水下机器人的图像增强和目标检测,实时检测和识别海胆的水下机器人将焦点和未来研究的主要方向。
数据可用性
的代码用于支持本研究的发现可以从相应的作者要求((电子邮件保护),(电子邮件保护))。打开数据集的数据是中国国家自然科学基金会的水下机器人竞争(http://www.cnurpc.org/a/xwjrz/2019/0808/129.html)。
的利益冲突
作者宣称没有利益冲突。
作者的贡献
所有作者起草手稿和阅读和批准最后的手稿。
确认
本文的研究得到了国家自然科学基金(61773219和61773219)和国家重点研发项目的关键特殊项目(2018 yfc1405703),和作者想表达衷心的感谢。