基于光学图像的水下人员检测方法研究.pdfVIP

基于光学图像的水下人员检测方法研究

摘要

我国拥有3.2万公里的海岸线和广阔的内陆水域，水上事故频发。一旦有人卷入水

中暗流，往往会不知所踪，会给搜救工作带来很大的困难。传统的人力搜寻因为携带装

备重，危险性高，氧气限制和水下视野差等问题导致搜寻效率较低。智能水下机器人

（AutonomousUnderwaterVehicles，AUV）作为一种科技高度集成的装备可以替代人力，

通过搭载水下摄像机来完成水下人员的搜寻任务。但水下人员图像样本稀缺，成像质量

差而AUV计算资源有限，使得AUV对水下人员的光学检测任务受到了很大的限制。

本文研究了一种基于深度学习的水下人员光学检测方法，致力于满足利用AUV对水下

人员进行检测的轻量化和精度要求。本文的具体内容如下：

首先，针对水下人员数据集缺乏的问题，一方面通过水池拍摄潜水员的水下姿态来

模拟水下人员，另一方面对网络搜集的水下人员图片进行雾化和通道衰减预处理使其成

像特点接近水下人员环境，最后对部分图片进行遮挡预处理，成功构建了水下人员数据

集。通过对CLAHE、暗通道先验和MSRCR三种图像增强算法进行对比实验，将效果

最好的暗通道先验用于模型训练来更好的提取人员的特征。

其次，面对AUV水下目标探测方法的轻量化部署需求，将YOLOv5s与轻量化结

构MobileNetV2、MobileNetV3、ShuffleNetV2和GhostNet相结合，设计了M2-YOLOv5s、

M3-YOLOv5s、S-YOLOv5s和G-YOLOv5s模型，通过在PASCALVOC数据集和水下

人员数据集上进行对比实验分析，确定了在保证轻量化前提下精度最高的G-YOLOv5s

作为水下人员光学检测的基础框架。

最后，为了解决水下人员遮挡和模型轻量化造成的精度下降问题，对颈部网络、骨

干网络和损失函数进行了以下改进：一、在颈部网络中进行了引入自适应空间特征融合

（AdaptivelySpatialFeatureFusion，ASFF），将路径聚合网络（PathAggregationNetwork，

PANet）分别替换为双向加权特征金字塔（BidirectionalFeaturePyramidNetwork，BiFPN）

和轻量化改进的双向加权特征金字塔；二、在骨干网络中的16倍下采样和32倍下采样

处分别添加了SE、CBAM和CA三种注意力机制；三、将候选框回归损失函数CIoU更

换为EIoU和SIoU。最后，经过多次组合对比实验，确定了以Light-BiFPN、CA注意力

机制和SIoU损失函数作为改进方法的GCLS-YOLOv5s的水下人员检测模型，通过其与

YOLOv3-tiny、YOLOv5s和YOLOv7-tiny的对比实验，验证了GCLS-YOLOv5s不仅在

哈尔滨工程大学硕士学位论文

模型上远小于其他三种算法，其精度也优于另外三种算法，说明了GCLS-YOLOv5s的

有效性。

关键词：水下人员；轻量化网络；深度学习；目标检测

基于光学图像的水下人员检测方法研究

Abstract

Chinahas32,000kilometersofcoastlineandvastinlandwaters,wateraccidentsoccur

frequently.Oncesomeoneisinvolvedintheundercurrentinthewater,itisoftenunknown,

whichwillbringgreatdifficultiestothesearchandrescuework.Traditionalhumansearchhas

lowsearchefficiencyduetoheavyequipment,highrisk,oxygenlimitationandpoorunderwater

vision.Asahighlyintegratedtechnology,AutonomousUnd