基于YOLOv3的水下魚類目標(biāo)的檢測與識別
發(fā)布時(shí)間:2022-10-09 13:02
魚類的檢測與識別,對水產(chǎn)養(yǎng)殖管理、水域環(huán)境監(jiān)控、漁業(yè)資源研究等領(lǐng)域有著重要研究意義及價(jià)值。傳統(tǒng)的魚類檢測與識別主要利用人工設(shè)計(jì)特征和機(jī)器學(xué)習(xí)分類器結(jié)合的方式,而人工特征存在著特征提取困難、缺乏通用性、非常耗時(shí)等缺陷。近年來,深度學(xué)習(xí)在圖像分類領(lǐng)域取得了巨大成就,有效地提升了圖像檢測與識別的精度,由于深度學(xué)習(xí)具備有自主學(xué)習(xí)的能力,并且檢測與識別的準(zhǔn)確率高、魯棒性強(qiáng)。目前,YOLOv3算法在目標(biāo)檢測領(lǐng)域展現(xiàn)出了良好的性能,得到了學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注。因此,本文提出了一種基于YOLOv3算法的水下魚類目標(biāo)的檢測與識別模型。本文的主要研究工作如下:(1)針對YOLOv3算法多尺度檢測下不同尺度特征之間的不一致性的問題,研究采用自適應(yīng)空間特征融合(Adaptively Spatial Feature Fusion,ASFF)方法,在空間上過濾沖突信息來抑制不一致性。對于某一層的特征,首先將其它層的特征整合并調(diào)整為相同分辨率,然后通過訓(xùn)練,自適應(yīng)地學(xué)習(xí)各尺度特征映射的融合空間權(quán)重以找到最佳融合方式。另外,針對YOLOv3算法先驗(yàn)框的生成方法K-means聚類結(jié)果不穩(wěn)定的問題,通過采用更先進(jìn)的聚...
【文章頁數(shù)】:57 頁
【學(xué)位級別】:碩士
【文章目錄】:
摘要
ABSTRACT
第一章 緒論
1.1 研究目的與意義
1.2 國內(nèi)外研究現(xiàn)狀
1.2.1 目標(biāo)檢測方法
1.2.2 水下目標(biāo)檢測方法
1.3 主要存在問題
1.4 論文研究內(nèi)容與技術(shù)路線
1.4.1 研究內(nèi)容
1.4.2 技術(shù)路線
1.5 論文組織結(jié)構(gòu)
第二章 相關(guān)知識
2.1 YOLOv3模型
2.1.1 特征提取網(wǎng)絡(luò)
2.1.2 邊界框預(yù)測
2.1.3 多尺度檢測
2.2 相關(guān)數(shù)據(jù)
2.3 目標(biāo)檢測評價(jià)指標(biāo)
2.3.1 Precision和 Recall
2.3.2 mAP
2.4 本章小結(jié)
第三章 基于改進(jìn)YOLOv3的魚類檢測模型
3.1 自適應(yīng)空間特征融合
3.2 先驗(yàn)框生成方法設(shè)計(jì)
3.2.1 K-means++聚類算法
3.2.2 基于K-means++算法生成先驗(yàn)框
3.3 實(shí)驗(yàn)與分析
3.3.1 數(shù)據(jù)集描述
3.3.2 實(shí)驗(yàn)環(huán)境介紹
3.3.3 實(shí)驗(yàn)參數(shù)設(shè)置
3.3.4 網(wǎng)絡(luò)訓(xùn)練
3.3.5 實(shí)驗(yàn)結(jié)果分析
3.4 本章小結(jié)
第四章 改進(jìn)損失函數(shù)的魚類檢測模型
4.1 損失函數(shù)的分析與設(shè)計(jì)
4.1.1 CIOU介紹
4.1.2 損失函數(shù)設(shè)計(jì)
4.2 增加SPP模塊
4.2.1 SPP模塊介紹
4.2.2 引入SPP模塊
4.3 實(shí)驗(yàn)與分析
4.3.1 網(wǎng)絡(luò)訓(xùn)練
4.3.2 實(shí)驗(yàn)結(jié)果分析
4.4 本章小結(jié)
第五章 總結(jié)與展望
5.1 工作總結(jié)
5.2 研究展望
參考文獻(xiàn)
致謝
作者簡介
【參考文獻(xiàn)】:
期刊論文
[1]基于魚體背部彎曲潛能算法的四種主養(yǎng)魚類識別[J]. 吳健輝,張曉飛,楊敏,王錦萍,譚志豪. 淡水漁業(yè). 2016(04)
[2]基于融合顯著圖與GrabCut算法的水下海參圖像分割[J]. 郭傳鑫,李振波,喬曦,李晨,岳峻. 農(nóng)業(yè)機(jī)械學(xué)報(bào). 2015(S1)
[3]基于偏振特征的水下目標(biāo)檢測[J]. 馬偉英. 電子測量技術(shù). 2014(12)
[4]基于蜂群優(yōu)化多核支持向量機(jī)的淡水魚種類識別[J]. 吳一全,殷駿,戴一冕,袁永明. 農(nóng)業(yè)工程學(xué)報(bào). 2014(16)
[5]基于注意機(jī)制的水下目標(biāo)檢測方法[J]. 董欣. 計(jì)算機(jī)與現(xiàn)代化. 2013(05)
[6]基于機(jī)器視覺技術(shù)淡水魚品種在線識別裝置設(shè)計(jì)[J]. 萬鵬,潘海兵,龍長江,陳紅. 食品與機(jī)械. 2012(06)
[7]基于機(jī)器視覺技術(shù)的淡水魚質(zhì)量分級[J]. 張志強(qiáng),牛智有,趙思明,余佳佳. 農(nóng)業(yè)工程學(xué)報(bào). 2011(02)
[8]基于改進(jìn)粒子群優(yōu)化算法和模糊熵水下圖像分割[J]. 李濤,唐旭東,龐永杰. 海洋工程. 2010(02)
[9]基于灰度-梯度不變矩的水下目標(biāo)識別系統(tǒng)[J]. 張銘鈞,尚云超,楊杰. 哈爾濱工程大學(xué)學(xué)報(bào). 2009(06)
[10]基于不變性特征的水下目標(biāo)特征提取[J]. 馮占國,徐玉如. 哈爾濱工程大學(xué)學(xué)報(bào). 2007(12)
博士論文
[1]基于水下機(jī)器視覺的海參實(shí)時(shí)識別研究[D]. 喬曦.中國農(nóng)業(yè)大學(xué) 2017
本文編號:3688684
【文章頁數(shù)】:57 頁
【學(xué)位級別】:碩士
【文章目錄】:
摘要
ABSTRACT
第一章 緒論
1.1 研究目的與意義
1.2 國內(nèi)外研究現(xiàn)狀
1.2.1 目標(biāo)檢測方法
1.2.2 水下目標(biāo)檢測方法
1.3 主要存在問題
1.4 論文研究內(nèi)容與技術(shù)路線
1.4.1 研究內(nèi)容
1.4.2 技術(shù)路線
1.5 論文組織結(jié)構(gòu)
第二章 相關(guān)知識
2.1 YOLOv3模型
2.1.1 特征提取網(wǎng)絡(luò)
2.1.2 邊界框預(yù)測
2.1.3 多尺度檢測
2.2 相關(guān)數(shù)據(jù)
2.3 目標(biāo)檢測評價(jià)指標(biāo)
2.3.1 Precision和 Recall
2.3.2 mAP
2.4 本章小結(jié)
第三章 基于改進(jìn)YOLOv3的魚類檢測模型
3.1 自適應(yīng)空間特征融合
3.2 先驗(yàn)框生成方法設(shè)計(jì)
3.2.1 K-means++聚類算法
3.2.2 基于K-means++算法生成先驗(yàn)框
3.3 實(shí)驗(yàn)與分析
3.3.1 數(shù)據(jù)集描述
3.3.2 實(shí)驗(yàn)環(huán)境介紹
3.3.3 實(shí)驗(yàn)參數(shù)設(shè)置
3.3.4 網(wǎng)絡(luò)訓(xùn)練
3.3.5 實(shí)驗(yàn)結(jié)果分析
3.4 本章小結(jié)
第四章 改進(jìn)損失函數(shù)的魚類檢測模型
4.1 損失函數(shù)的分析與設(shè)計(jì)
4.1.1 CIOU介紹
4.1.2 損失函數(shù)設(shè)計(jì)
4.2 增加SPP模塊
4.2.1 SPP模塊介紹
4.2.2 引入SPP模塊
4.3 實(shí)驗(yàn)與分析
4.3.1 網(wǎng)絡(luò)訓(xùn)練
4.3.2 實(shí)驗(yàn)結(jié)果分析
4.4 本章小結(jié)
第五章 總結(jié)與展望
5.1 工作總結(jié)
5.2 研究展望
參考文獻(xiàn)
致謝
作者簡介
【參考文獻(xiàn)】:
期刊論文
[1]基于魚體背部彎曲潛能算法的四種主養(yǎng)魚類識別[J]. 吳健輝,張曉飛,楊敏,王錦萍,譚志豪. 淡水漁業(yè). 2016(04)
[2]基于融合顯著圖與GrabCut算法的水下海參圖像分割[J]. 郭傳鑫,李振波,喬曦,李晨,岳峻. 農(nóng)業(yè)機(jī)械學(xué)報(bào). 2015(S1)
[3]基于偏振特征的水下目標(biāo)檢測[J]. 馬偉英. 電子測量技術(shù). 2014(12)
[4]基于蜂群優(yōu)化多核支持向量機(jī)的淡水魚種類識別[J]. 吳一全,殷駿,戴一冕,袁永明. 農(nóng)業(yè)工程學(xué)報(bào). 2014(16)
[5]基于注意機(jī)制的水下目標(biāo)檢測方法[J]. 董欣. 計(jì)算機(jī)與現(xiàn)代化. 2013(05)
[6]基于機(jī)器視覺技術(shù)淡水魚品種在線識別裝置設(shè)計(jì)[J]. 萬鵬,潘海兵,龍長江,陳紅. 食品與機(jī)械. 2012(06)
[7]基于機(jī)器視覺技術(shù)的淡水魚質(zhì)量分級[J]. 張志強(qiáng),牛智有,趙思明,余佳佳. 農(nóng)業(yè)工程學(xué)報(bào). 2011(02)
[8]基于改進(jìn)粒子群優(yōu)化算法和模糊熵水下圖像分割[J]. 李濤,唐旭東,龐永杰. 海洋工程. 2010(02)
[9]基于灰度-梯度不變矩的水下目標(biāo)識別系統(tǒng)[J]. 張銘鈞,尚云超,楊杰. 哈爾濱工程大學(xué)學(xué)報(bào). 2009(06)
[10]基于不變性特征的水下目標(biāo)特征提取[J]. 馮占國,徐玉如. 哈爾濱工程大學(xué)學(xué)報(bào). 2007(12)
博士論文
[1]基于水下機(jī)器視覺的海參實(shí)時(shí)識別研究[D]. 喬曦.中國農(nóng)業(yè)大學(xué) 2017
本文編號:3688684
本文鏈接:http://sikaile.net/nykjlw/scyylw/3688684.html
最近更新
教材專著