基于深度学习的海洋生物定量检测算法研究.pdfVIP

基于深度学习的海洋生物定量检测算法研究

摘要

随着经济的快速发展，海洋生物多样性的保护和研究受到了越来越多的关注。

通过海洋生物定量检测算法可以对不同物种的数量和种类进行估计，有助于了解

生态系统的稳定性和物种情况。利用深度学习相关技术与海洋生物定量检测相结

合有利于海洋生态学的研究，促进合理开发海洋资源，推动海洋生态的可持续发

展。水下场景中整体光照度较低，并且存在大量悬浮物，导致目标可见度低、对

比度较低、颜色变化等问题，使得检测器无法准确定位目标。

本文针对海洋生物尺度较小、目标模糊以及密集分布等问题，对已有算法进

行改进，提出了基于深度学习的海洋生物定量检测算法。本文的主要研究工作如

下：

（1）针对海洋小目标的检测问题，基于YOLOX-S模型提出了EFP-YOLO

（EnhancetheAbilityofFeatureExtractionandPerceptionAbilityofYOLOX，EFP-

YOLO），该模型针对特征提取和边界定位能力进行了增强。在骨干网络部分嵌

入Transformer，为模型充分提供了上下文信息。在特征融合部分改善上下采样模

块，增强模型的空间特征提取和特征映射对齐能力。提高了检测头的尺度感知性、

空间感知性和任务感知性，增强模型分类能力和定位能力，从而实现对目标的精

确计数。实验表明，EFP-YOLO在海洋生物定量检测上准确率提升了4.9%。

（2）针对模糊目标检测困难的问题，基于YOLOV8-S提出了BS-YOLO

（BlurredandSmall-sizedMarineOrganismsDetectionwithYOLO，BS-YOLO）。

BS-YOLO采用了全卷积结构，通过大核卷积代替基于Transformer的注意力方式，

在降低算法复杂度的同时有效提高算法的特征提取能力。在特征融合部分引入了

注意力抑制训练过程中冗余的通道信息和空间信息，提高模型性能。在检测头部

分，修改边界框损失计算函数增强网络的泛化能力并且降低模型漏检率。经过实

I

验表明，BS-YOLO在海洋数据集URPC上的检测精度提高了1.1%。

（3）针对海洋密集目标计数困难的问题，基于密度图估计算法提出了

MDONet（AmodelforestimatingthedensityofMarineDenseOrganism，MDONet）

用于海洋密集生物密度估计。在前端网络部分改进了卷积模块的基本结构，代替

了原本网络中的最大池化，降低信息丢失。通过引入混合注意力模块增加网络对

通道信息和空间信息的提取，提供密集目标所需要的语义信息和空间细节信息。

利用多尺度融合模块融入不同尺度的特征信息，在后端部分修改了模块之间的连

接方式，增加了网络特征复用并提高模型性能。MDONet在海洋数据集上的MAE

与MSE分别达到了3.7和4.8。

本文提出的算法在海洋生物定量检测方面取得了较好的效果，可以应用于小

尺度目标、密集目标、模糊目标的检测，对于海洋生态学的研究提供了强有力的

技术支持。

关键词：小目标检测；目标密度估计；海洋生物定量检测；深度学习

II

RESEARCHONQUANTITATIVE

DETECTIONALGORITHMOF

MARINEORGANISMSBASEDON

DEEPLEARNING

ABSTRACT

Withthedevelopmentofrapideconomicgrowth,theconservationandstudyof

marinebiodiversityhavereceivedincreasingattention.Thequantitativedetection

algorithmof