基于改进YOLO v4的单环刺螠洞口识别方法

摘要：

针对养殖池塘内单环刺螠自动采捕和产量预测应用需求,提出一种基于深度学习的单环刺螠洞口识别方法,以适用于自动采捕船的嵌入式设备.该方法通过将YOLO v4的主干网络CSPDarkNet53替换为轻量型网络Mobilenetv2,降低网络参数量,提升检测速度,并在此基础上使用深度可分离卷积块代替原网络中Neck和Detection Head部分的普通卷积块,进一步降低模型参数量;选取带色彩恢复的多尺度视网膜(Multi-scale retinex with color restoration,MSRCR)增强算法进行图像增强;利用K-means++算法对数据集进行重新聚类,对获得的新锚点框尺寸进行线性缩放优化,以提高目标检测效果.在嵌入式设备Jetson AGX Xavier上部署训练好的模型,对水下单环刺螠洞口检测的平均精度均值(Mean average precision,mAP)可达92.26％,检测速度为36 f/s,模型内存占用量仅为22.2 MB.实验结果表明,该方法实现了检测速度和精度的平衡,可满足实际应用场景下模型部署在单环刺螠采捕船嵌入式设备的需求.

关键词：单环刺螠洞口、目标检测、图像增强、锚点框优化、YOLO v4

所属期刊栏目：54

分类号：TP391.4;S979(计算技术、计算机技术)

资助基金：河北省重点研发计划项目20327217D

在线出版日期：2023-03-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：265-274,377