基于深度学习的水面目标检测算法研究.pdf

哈尔滨理工大学电子信息硕士学位论文

基于深度学习的水面目标检测算法研究

摘要

水面目标检测是计算机视觉领域的一个重要研究方向，对水域环境的监测、

水下机器人导航、智能航运等领域具有深远的意义。传统的目标检测技术，无

法实时感知和识别水域中的障碍物、船只、浮标等，而基于深度学习的目标检

测算法能力强大，具有较强的鲁棒性，能够克服复杂的场景变化对精度造成的

影响，并且能够准确地检测不同类型的物体。这为无人船在复杂多变的水景中

准确获取周围环境信息提供了可能。因此，本文提出一种基于深度学习的水面

目标检测方法，更好地解决复杂场景下水面目标检测问题。

针对无人船通过视觉传感系统采集水面目标数据时，经常会遇到阳光照射

导致水面出现大面积高光区域，从而影响水面目标检测精度的问题。本文提出

一种通过图像风格迁移的方法去除水面高光区域。在pix2pixGAN算法的基础

上，采用残差结构来代替U-Net作为生成器。此外，还引入无参数注意力机制

和轻量化卷积来改善残差结构，进一步提升方法的性能。与一些传统去除高光

区域方法相比，本文所提出的方法表现更优、效率更高。

在水面目标检测算法研究过程中，提高算法的检测精度和推理速度是整个

研究的重点也是难点。本文采用YOLOv5作为基线，在Backbone主干特征提

取网络中引入一种注意力机制，来提高特征提取能力。并且设计一种注意力机

制与模型压缩模块相结合的方法，解决算法过于复杂导致的参数增加、检测速

度慢、梯度计算重复等问题。本文提出的方法在WSODD数据集中进行了充分

的实验，mAP达到了66.96%，精度相比较原始算法有明显的提升，FPS达到了

64.9，满足实时检测的需求。

为了能够让改进后的算法应用到实际生活中，本文设计一个水面目标检测

系统，围绕NVIDIA平台的JetsonNano进行搭建。将改进后的YOLOv5算法

模型转化成ONNX格式，并且部署到硬件环境中，实现在硬件检测平台中对水

面环境进行实时检测。

关键词深度学习；水面目标检测；水面高光去除；无人船；注意力机制

-I-

哈尔滨理工大学电子信息硕士学位论文

ResearchonWaterSurfaceTargetDetection

AlgorithmBasedonDeepLearning

Abstract

Watersurfacetargetdetectionisanimportantresearchdirectioninthefieldof

computervision,whichhasfar-reachingsignificanceforwaterenvironment

monitoring,underwaterrobotnavigation,intelligentshippingandotherfields.

Traditionalobjectdetectiontechnologycannotsenseandidentifyobstacles,ships,

buoysandsooninthewaterinrealtime.Theobjectdetectionalgorithmbasedondeep

learningispowerful,canovercometheinfluenceofcomplexscenechanges,andcan

detectandidentifydifferenttypesofobjectsrelativelyaccurately.Thismakesit

possibleforunmannedshipstoaccuratelyobtaininformationaboutthesurrounding

environmen