基于图像增强与深度学习的水下生物目标检测算法研究.pdf

基于图像增强与深度学习的水下生物目标检测算法研究

摘要

海洋蕴含着丰富的资源，随着水下机器人技术的不断发展，探索海洋成为了一个被

广泛关注的研究领域。水下环境感知是水下机器人进行海洋探索和水下作业的重要支撑，

基于视觉驱动的水下目标检测是执行环境感知的重要方式之一。而水体对于可见光的吸

收和散射作用使得水下光学图像呈现出颜色偏差、细节模糊、对比度差等特点，同时水

下目标具有尺度小、与环境背景高度相似、姿态多变等特点，水下目标检测任务存在诸

多的挑战。因此，本文以水下生物的目标检测为背景，对水下图像增强和水下目标检测

进行了研究。本文的主要研究工作如下：

首先，针对现有水下图像增强算法存在的红色通道过度补偿和增强效果不足的问题，

设计了基于多尺度融合的水下图像增强方法，该方法将色偏校正模块和对比度增强模块

相结合，解决了单个算法的增强效果欠佳的问题。针对白平衡算法在水下场景色偏校正

效果差的问题，提出了自适应通道补偿白平衡算法。本文增强算法分别从去除图像色偏

和增强图像对比度两个方面对水下图像进行处理，通过金字塔多尺度融合框架将得到的

两幅输入图像进行融合，得到最终的增强输出图。实验结果表明，提出的水下图像增强

算法能有效地去除色偏、改善红色伪影问题，提升了水下图像的清晰度。

其次，针对水下场景存在的待测目标与背景环境相似、姿态变化大和目标尺度小等

问题，提出了基于改进YOLOv5s模型的水下生物目标检测算法。首先，针对因待测目

标与背景环境相似而导致的漏检问题，将改进后的多头自注意力模块CMHSA融入主干

网络，提升网络的特征提取能力；其次，针对水下目标姿态多变和目标尺度小的问题，

对颈部网络进行改进，提出了跨层连接的稠密路径聚合网络CSCPANet，提高特征融合

效率；最后，引入新的卷积模块GSConv，在检测精度影响不大的前提下减小模型的参

数量和计算量，便于在嵌入式平台部署。实验结果表明，本文改进的YOLOv5s模型能

在不同的水下复杂环境下表现出良好的检测性能，具备更高的鲁棒性和泛化性。

最后，对目标检测模型在嵌入式平台的部署进行了研究。在JetsonOrinNano平台

上对水下目标检测模型进行了PyTorch模型移植和TensorRT框架下的部署。实验结果

表明，相比于直接移植，采用TensorRT加速后的模型在检测速度上有着大幅的提升，减

少推理耗时的同时检测精度损失不大，满足深度学习模型在嵌入式终端的应用需求。

关键词：计算机视觉；图像增强；深度学习；水下目标检测

基于图像增强与深度学习的水下生物目标检测算法研究

Abstract

Inrecentyears,withthecontinuousdevelopmentofunderwaterrobotics,theexploration

oftheoceanhasbecomearesearchfieldthathasreceivedwidespreadattention.Underwater

targetdetectionisanimportantsupporttaskforunderwaterrobotstocarryoutocean

explorationandunderwateroperations,sotheunderwateropticalimagesobtainedby

underwaterrobotsareanimportantsourceofinformationforvariousunderwateractivities.

However,theabsorptionandscatteringofvisiblelightbythewaterbodymakestheunderwater

opticalimagesshowcolordeviation,blurreddetails,poorcontrast,etc.,andtherearemany

challengesintheunderwatertarg