基于场景特征融合的海参目标检测及轻量化模型研究

这是一篇关于水下目标检测,海参检测,场景特征融合,Transformer,轻量化的论文, 主要内容为随着对海参需求的不断增加,探索海参目标探测技术可以协助机器人完成海参捕捞任务,这有助于缓解人工捕捞海参作业存在的危险和风险问题,同时也能够促进海洋资源的可持续开发和利用。近年来,陆地目标检测算法研究取得了显著的成果,例如一些基于目标检测的遥感影像分析方法已经能够实现对城市、农田、森林等不同类型陆地的自动化检测和分类,为生态保护、土地管理和城市规划等领域的应用提供了有力支持。虽然计算机视觉和深度学习技术的快速发展为陆地目标检测带来了巨大的进步,但是水下目标检测算法的研究相对来说还比较薄弱,尤其是具备针对性的海参检测算法寥寥无几。关于海参检测算法的研究主要存在以下困难:由于复杂的海底环境与成像设备的局限性等因素,使水下图像存在噪声污染、对比度低、颜色失真等问题,使得海参检测面临水下目标检测的共性困难;此外,海参拥有出色的自我保护机制,它们的身体颜色可以随着环境颜色的变化而发生变化,因此海参身体特征与环境特征高度相似,这也是海参检测任务中最大的困难;在实际的水下目标检测算法应用落地时,常常面临着微型嵌入式设备计算资源紧缺,无法很好地进行部署与检测。针对以上问题,本文的主要研究内容如下:1.对国内外水下海参目标检测和检测模型轻量化的研究和发展情况进行了详细介绍,为后续的实验工作打下了坚实的基础。此外,还简要概述了卷积神经网络的基本组成和工作原理,基于Anchor与基于Anchor-free的两大检测路线的理论方法,最后还对目标检测的评估指标进行了简要介绍,为后续深入研究水下海参目标检测算法以及对算法性能进行评估打下了基础。2.针对水下图像存在的噪声污染、对比度低、颜色失真等共性问题以及海参识别中存在形态模糊、与背景高度相似以及特殊生态场景共存等特点,本章节中提出一种基于改进Center Net和场景特征融合的水下海参目标检测算法FACenter Net。该算法使用Efficient Net-B3作为骨干网络来降低模型的Params和FLOPs,并通过增加模型的深度和宽度以提高精度。然后,本文设计了基于三级Transformer的并联FPT模块以充分聚焦和挖掘不同空间、不同尺度的海参生态场景信息(例如海参刺、礁石、水草时常与海参存在于同一个场景中)。最后,本文还设计了AFF模块以寻求更好的特征融合方式,AFF模块采用了基于MS-CAM注意力机制的设计思路,通过引入全局特征的注意力和局部特征注意力针对性解决待融合的海参浅层细节特征与高层语义特征语义差异较大问题,从而提高了模型的性能。该算法具有较高的检测精度、能够应对模糊的海参、小尺寸海参和密集场景下的海参检测任务,并实现了检测精度、Params与FLOPs之间的平衡。3.针对当前深度学习单阶段检测算法综合性能不平衡以及难以在嵌入式设备上部署的问题,本章提出了一种面向嵌入式平台的高性能海参目标检测算法ESGC-YOLOv5s。该算法在上一章节的研究数据基础上,采用精度较高、轻量化性能突出的YOLOv5s作为基础网络,并进行了更加轻量化的改进优化。首先,采用Shuffle Net V2的改进版本ESNet作为主干网络,重点提升模型的整体轻量化性能。其次,将Ghost CSP模块应用于YOLOv5s网络的瓶颈层,采用使用少量卷积生成更多的特征图的思想,降低模型的瓶颈层的复杂度和计算量,完成对瓶颈层的轻量化处理。这两种策略使得算法在仅损失一小部分精度的情况下,显著降低了模型的Params和FLOPs,获得更好的轻量化性能。实验结果表明,与其他水下目标检测方法相比,本章提出的算法在Params和FLOPs上具有显著的优势,同时也保证了较高的精度。ESGC-YOLOv5s算法始终围绕着轻量化技术,适用于算力极低的移动端部署,具有实际应用意义。

基于深度学习的水下目标检测方法及其应用研究

这是一篇关于深度学习,水下目标检测,Faster RCNN,YOLOV4,系统实现的论文, 主要内容为随着深度学习方法及其目标检测方法的飞速发展,它们的应用范围越来越大,特别是在水下目标检测、海洋环境探索、水底生态保护、渔业养殖辅助等方面正在发挥着越来越重要的作用。但是,由于水下环境比起陆地上的环境要复杂很多,光在水中传输时又会受到水的吸收、反射和散射等影响而发生严重的衰减,因此采集到的水下图像难免会出现可见范围有限、模糊不清、色彩不协调及噪声等各种问题。另外一方面,由于水下生物数量和种类繁多,部分水下生物的体积较小,所以在水下目标检测过程中极为容易出现遗漏或误判。因此,把深度学习方法及其目标检测方法应用到水下环境的目标检测和探索是十分有必要。本文针对上述的问题,采用深度学习方法对目标检测算法进行深入的研究和改进,使其在水下环境探测任务中有更优良的性能。本文的主要研究内容包括以下几个方面:(1)提出了一种基于改进Faster RCNN的两阶段水下目标检测方法。将Faster RCNN(Regions With CNN Features)的特征提取模块由原来的VGG16替换成Res2Net101,其结构能增强网络层感受野的表达能力。引入OHEM(Online Hard Example Mining)算法来解决候选先验框的正负样本的不均衡问题。最后使用GIOU(Generalized Intersection Over Union)和Soft-NMS(Soft Non-Maximum Suppression)对先验框的机制进行优化。(2)提出了一种基于改进YOLOV4的单阶段水下目标检测方法。首先通过相关的聚类算法对数据集中的先验框进行聚类,选出训练模型先验框的初始值。对主干网络加以完善,添加深度可分离卷积,提高网络的特征提取能力;接着将注意力机制模块Eca-Net添加到SPP(Spatial Pyramid Pooling)模块当中,通过适当的跨信道交互,显著地减少模型复杂性,以提升其效能。然后为了提高模型对小目标的检测性能,增加了一个预测层;最后改进训练策略,使用多尺度训练策略,使得改进后算法模型有更好的鲁棒性。(3)为了检验和验证及完善和提高上述算法的性能,本文在上述改进算法的基础上,研究和开发及实现了一款智能单阶段水下目标检测系统。该系统包含Web端后台管理平台和智能水下目标检测管理平台。两个平台相互协作,以完成水下图像目标检测、对图中生物数量的统计、查看历史数据、系统监控等各项功能和任务。

基于场景特征融合的海参目标检测及轻量化模型研究

这是一篇关于水下目标检测,海参检测,场景特征融合,Transformer,轻量化的论文, 主要内容为随着对海参需求的不断增加,探索海参目标探测技术可以协助机器人完成海参捕捞任务,这有助于缓解人工捕捞海参作业存在的危险和风险问题,同时也能够促进海洋资源的可持续开发和利用。近年来,陆地目标检测算法研究取得了显著的成果,例如一些基于目标检测的遥感影像分析方法已经能够实现对城市、农田、森林等不同类型陆地的自动化检测和分类,为生态保护、土地管理和城市规划等领域的应用提供了有力支持。虽然计算机视觉和深度学习技术的快速发展为陆地目标检测带来了巨大的进步,但是水下目标检测算法的研究相对来说还比较薄弱,尤其是具备针对性的海参检测算法寥寥无几。关于海参检测算法的研究主要存在以下困难:由于复杂的海底环境与成像设备的局限性等因素,使水下图像存在噪声污染、对比度低、颜色失真等问题,使得海参检测面临水下目标检测的共性困难;此外,海参拥有出色的自我保护机制,它们的身体颜色可以随着环境颜色的变化而发生变化,因此海参身体特征与环境特征高度相似,这也是海参检测任务中最大的困难;在实际的水下目标检测算法应用落地时,常常面临着微型嵌入式设备计算资源紧缺,无法很好地进行部署与检测。针对以上问题,本文的主要研究内容如下:1.对国内外水下海参目标检测和检测模型轻量化的研究和发展情况进行了详细介绍,为后续的实验工作打下了坚实的基础。此外,还简要概述了卷积神经网络的基本组成和工作原理,基于Anchor与基于Anchor-free的两大检测路线的理论方法,最后还对目标检测的评估指标进行了简要介绍,为后续深入研究水下海参目标检测算法以及对算法性能进行评估打下了基础。2.针对水下图像存在的噪声污染、对比度低、颜色失真等共性问题以及海参识别中存在形态模糊、与背景高度相似以及特殊生态场景共存等特点,本章节中提出一种基于改进Center Net和场景特征融合的水下海参目标检测算法FACenter Net。该算法使用Efficient Net-B3作为骨干网络来降低模型的Params和FLOPs,并通过增加模型的深度和宽度以提高精度。然后,本文设计了基于三级Transformer的并联FPT模块以充分聚焦和挖掘不同空间、不同尺度的海参生态场景信息(例如海参刺、礁石、水草时常与海参存在于同一个场景中)。最后,本文还设计了AFF模块以寻求更好的特征融合方式,AFF模块采用了基于MS-CAM注意力机制的设计思路,通过引入全局特征的注意力和局部特征注意力针对性解决待融合的海参浅层细节特征与高层语义特征语义差异较大问题,从而提高了模型的性能。该算法具有较高的检测精度、能够应对模糊的海参、小尺寸海参和密集场景下的海参检测任务,并实现了检测精度、Params与FLOPs之间的平衡。3.针对当前深度学习单阶段检测算法综合性能不平衡以及难以在嵌入式设备上部署的问题,本章提出了一种面向嵌入式平台的高性能海参目标检测算法ESGC-YOLOv5s。该算法在上一章节的研究数据基础上,采用精度较高、轻量化性能突出的YOLOv5s作为基础网络,并进行了更加轻量化的改进优化。首先,采用Shuffle Net V2的改进版本ESNet作为主干网络,重点提升模型的整体轻量化性能。其次,将Ghost CSP模块应用于YOLOv5s网络的瓶颈层,采用使用少量卷积生成更多的特征图的思想,降低模型的瓶颈层的复杂度和计算量,完成对瓶颈层的轻量化处理。这两种策略使得算法在仅损失一小部分精度的情况下,显著降低了模型的Params和FLOPs,获得更好的轻量化性能。实验结果表明,与其他水下目标检测方法相比,本章提出的算法在Params和FLOPs上具有显著的优势,同时也保证了较高的精度。ESGC-YOLOv5s算法始终围绕着轻量化技术,适用于算力极低的移动端部署,具有实际应用意义。

基于CenterNet的水下目标检测方法研究

这是一篇关于水下目标检测,CenterNet,类别平衡,NE-UCDN,ON-UCDN的论文, 主要内容为近些年,海洋因巨大的资源潜力愈发受到人们的重视,目前水下工作以人工为主,致使探索的步伐受限于人体的生理情况。随着时代科技飞速发展,机器代替人工,水下智能化是未来的必然趋势。目标检测是智能化发展不可或缺的一个环节,水下成像环境复杂,水下目标检测面临着图像退化、模糊、色偏、清晰度低、数据集不足、类别不平衡等多方面挑战。本文以水下经济作物为研究对象,针对水下目标检测的难点展开研究。(1)针对水下经济作物尺寸小、分布密集和样本类别不平衡的问题,本文提出了基于Center Net的水下目标检测模型UCDN。在网络结构部分,该模型以Res2Net为主干。在后续的特征提取部分,本文设计了一种独特的密集尺度连接来尽可能地融合多尺度特征,提出了细节融合模块过滤干扰因素,提高网络的非线性。在数据处理部分,本文对数据集进行分析,提出了一种样本平衡策略以便少类的样本更好地被网络学习目标特征。经过实验验证,相比其他检测算法,UCDN在水下数据集有较好的目标检测能力,达到了87.46%检测精度。(2)针对水下图像退化、偏色和模糊的特点,本文改进了UCDN模型,将图像增强的思想分别以不同方式融入模型中。首先,从网络结构的角度提出了N-UCDN模型,引入了非局部感知金字塔注意力模块。非局部注意力旨在解决水下图像因运动模糊而存在与网络焦点错位的现象,模块中加入了边缘增强算法以加深目标轮廓特征,缓解水下低分辨率对检测的影响。其次,从模型检测的角度,本文提出了基于算法融合的NE-UCDN模型,引入了Frankle-Mc Cann算法与N-UCDN结合,改善模型对水下图像暗处的检测性能。本文基于融合提出了“辅助检测”的思想,对数据集进行了二次规整,提高了数据集真实框的准确率和查全率。本文定性、定量地对NE-UCDN模型进行评估,在本文的数据集和其他四个不同目标的水下公开数据集都取得了较好的结果。(3)针对水下背景复杂、旋转目标的水平框中包含过多干扰像素以及数据集较少的特点,本文将定向目标检测引入了N-UCDN模型中,提出了ON-UCDN水下定向目标检测模型。本文基于轴投影回归的方式预估旋转角度,并设计了新的轴投影损失函数以更适合ON-UCDN模型。本文创建了海参定向检测数据集HOD,定性和定量地评估了ON-UCDN模型,并与其他的定向检测方法对比,实验证明ON-UCDN能够较好地检测到目标。为了更加充分地体现实际的数据分布,本文基于水下真实数据集创建了水下海参定向目标检测数据集U-HOD,ON-UCDN仍有不错的定向检测能力。

基于CenterNet的水下目标检测方法研究

这是一篇关于水下目标检测,CenterNet,类别平衡,NE-UCDN,ON-UCDN的论文, 主要内容为近些年,海洋因巨大的资源潜力愈发受到人们的重视,目前水下工作以人工为主,致使探索的步伐受限于人体的生理情况。随着时代科技飞速发展,机器代替人工,水下智能化是未来的必然趋势。目标检测是智能化发展不可或缺的一个环节,水下成像环境复杂,水下目标检测面临着图像退化、模糊、色偏、清晰度低、数据集不足、类别不平衡等多方面挑战。本文以水下经济作物为研究对象,针对水下目标检测的难点展开研究。(1)针对水下经济作物尺寸小、分布密集和样本类别不平衡的问题,本文提出了基于Center Net的水下目标检测模型UCDN。在网络结构部分,该模型以Res2Net为主干。在后续的特征提取部分,本文设计了一种独特的密集尺度连接来尽可能地融合多尺度特征,提出了细节融合模块过滤干扰因素,提高网络的非线性。在数据处理部分,本文对数据集进行分析,提出了一种样本平衡策略以便少类的样本更好地被网络学习目标特征。经过实验验证,相比其他检测算法,UCDN在水下数据集有较好的目标检测能力,达到了87.46%检测精度。(2)针对水下图像退化、偏色和模糊的特点,本文改进了UCDN模型,将图像增强的思想分别以不同方式融入模型中。首先,从网络结构的角度提出了N-UCDN模型,引入了非局部感知金字塔注意力模块。非局部注意力旨在解决水下图像因运动模糊而存在与网络焦点错位的现象,模块中加入了边缘增强算法以加深目标轮廓特征,缓解水下低分辨率对检测的影响。其次,从模型检测的角度,本文提出了基于算法融合的NE-UCDN模型,引入了Frankle-Mc Cann算法与N-UCDN结合,改善模型对水下图像暗处的检测性能。本文基于融合提出了“辅助检测”的思想,对数据集进行了二次规整,提高了数据集真实框的准确率和查全率。本文定性、定量地对NE-UCDN模型进行评估,在本文的数据集和其他四个不同目标的水下公开数据集都取得了较好的结果。(3)针对水下背景复杂、旋转目标的水平框中包含过多干扰像素以及数据集较少的特点,本文将定向目标检测引入了N-UCDN模型中,提出了ON-UCDN水下定向目标检测模型。本文基于轴投影回归的方式预估旋转角度,并设计了新的轴投影损失函数以更适合ON-UCDN模型。本文创建了海参定向检测数据集HOD,定性和定量地评估了ON-UCDN模型,并与其他的定向检测方法对比,实验证明ON-UCDN能够较好地检测到目标。为了更加充分地体现实际的数据分布,本文基于水下真实数据集创建了水下海参定向目标检测数据集U-HOD,ON-UCDN仍有不错的定向检测能力。

基于CenterNet的水下目标检测方法研究

这是一篇关于水下目标检测,CenterNet,类别平衡,NE-UCDN,ON-UCDN的论文, 主要内容为近些年,海洋因巨大的资源潜力愈发受到人们的重视,目前水下工作以人工为主,致使探索的步伐受限于人体的生理情况。随着时代科技飞速发展,机器代替人工,水下智能化是未来的必然趋势。目标检测是智能化发展不可或缺的一个环节,水下成像环境复杂,水下目标检测面临着图像退化、模糊、色偏、清晰度低、数据集不足、类别不平衡等多方面挑战。本文以水下经济作物为研究对象,针对水下目标检测的难点展开研究。(1)针对水下经济作物尺寸小、分布密集和样本类别不平衡的问题,本文提出了基于Center Net的水下目标检测模型UCDN。在网络结构部分,该模型以Res2Net为主干。在后续的特征提取部分,本文设计了一种独特的密集尺度连接来尽可能地融合多尺度特征,提出了细节融合模块过滤干扰因素,提高网络的非线性。在数据处理部分,本文对数据集进行分析,提出了一种样本平衡策略以便少类的样本更好地被网络学习目标特征。经过实验验证,相比其他检测算法,UCDN在水下数据集有较好的目标检测能力,达到了87.46%检测精度。(2)针对水下图像退化、偏色和模糊的特点,本文改进了UCDN模型,将图像增强的思想分别以不同方式融入模型中。首先,从网络结构的角度提出了N-UCDN模型,引入了非局部感知金字塔注意力模块。非局部注意力旨在解决水下图像因运动模糊而存在与网络焦点错位的现象,模块中加入了边缘增强算法以加深目标轮廓特征,缓解水下低分辨率对检测的影响。其次,从模型检测的角度,本文提出了基于算法融合的NE-UCDN模型,引入了Frankle-Mc Cann算法与N-UCDN结合,改善模型对水下图像暗处的检测性能。本文基于融合提出了“辅助检测”的思想,对数据集进行了二次规整,提高了数据集真实框的准确率和查全率。本文定性、定量地对NE-UCDN模型进行评估,在本文的数据集和其他四个不同目标的水下公开数据集都取得了较好的结果。(3)针对水下背景复杂、旋转目标的水平框中包含过多干扰像素以及数据集较少的特点,本文将定向目标检测引入了N-UCDN模型中,提出了ON-UCDN水下定向目标检测模型。本文基于轴投影回归的方式预估旋转角度,并设计了新的轴投影损失函数以更适合ON-UCDN模型。本文创建了海参定向检测数据集HOD,定性和定量地评估了ON-UCDN模型,并与其他的定向检测方法对比,实验证明ON-UCDN能够较好地检测到目标。为了更加充分地体现实际的数据分布,本文基于水下真实数据集创建了水下海参定向目标检测数据集U-HOD,ON-UCDN仍有不错的定向检测能力。

基于场景特征融合的海参目标检测及轻量化模型研究

这是一篇关于水下目标检测,海参检测,场景特征融合,Transformer,轻量化的论文, 主要内容为随着对海参需求的不断增加,探索海参目标探测技术可以协助机器人完成海参捕捞任务,这有助于缓解人工捕捞海参作业存在的危险和风险问题,同时也能够促进海洋资源的可持续开发和利用。近年来,陆地目标检测算法研究取得了显著的成果,例如一些基于目标检测的遥感影像分析方法已经能够实现对城市、农田、森林等不同类型陆地的自动化检测和分类,为生态保护、土地管理和城市规划等领域的应用提供了有力支持。虽然计算机视觉和深度学习技术的快速发展为陆地目标检测带来了巨大的进步,但是水下目标检测算法的研究相对来说还比较薄弱,尤其是具备针对性的海参检测算法寥寥无几。关于海参检测算法的研究主要存在以下困难:由于复杂的海底环境与成像设备的局限性等因素,使水下图像存在噪声污染、对比度低、颜色失真等问题,使得海参检测面临水下目标检测的共性困难;此外,海参拥有出色的自我保护机制,它们的身体颜色可以随着环境颜色的变化而发生变化,因此海参身体特征与环境特征高度相似,这也是海参检测任务中最大的困难;在实际的水下目标检测算法应用落地时,常常面临着微型嵌入式设备计算资源紧缺,无法很好地进行部署与检测。针对以上问题,本文的主要研究内容如下:1.对国内外水下海参目标检测和检测模型轻量化的研究和发展情况进行了详细介绍,为后续的实验工作打下了坚实的基础。此外,还简要概述了卷积神经网络的基本组成和工作原理,基于Anchor与基于Anchor-free的两大检测路线的理论方法,最后还对目标检测的评估指标进行了简要介绍,为后续深入研究水下海参目标检测算法以及对算法性能进行评估打下了基础。2.针对水下图像存在的噪声污染、对比度低、颜色失真等共性问题以及海参识别中存在形态模糊、与背景高度相似以及特殊生态场景共存等特点,本章节中提出一种基于改进Center Net和场景特征融合的水下海参目标检测算法FACenter Net。该算法使用Efficient Net-B3作为骨干网络来降低模型的Params和FLOPs,并通过增加模型的深度和宽度以提高精度。然后,本文设计了基于三级Transformer的并联FPT模块以充分聚焦和挖掘不同空间、不同尺度的海参生态场景信息(例如海参刺、礁石、水草时常与海参存在于同一个场景中)。最后,本文还设计了AFF模块以寻求更好的特征融合方式,AFF模块采用了基于MS-CAM注意力机制的设计思路,通过引入全局特征的注意力和局部特征注意力针对性解决待融合的海参浅层细节特征与高层语义特征语义差异较大问题,从而提高了模型的性能。该算法具有较高的检测精度、能够应对模糊的海参、小尺寸海参和密集场景下的海参检测任务,并实现了检测精度、Params与FLOPs之间的平衡。3.针对当前深度学习单阶段检测算法综合性能不平衡以及难以在嵌入式设备上部署的问题,本章提出了一种面向嵌入式平台的高性能海参目标检测算法ESGC-YOLOv5s。该算法在上一章节的研究数据基础上,采用精度较高、轻量化性能突出的YOLOv5s作为基础网络,并进行了更加轻量化的改进优化。首先,采用Shuffle Net V2的改进版本ESNet作为主干网络,重点提升模型的整体轻量化性能。其次,将Ghost CSP模块应用于YOLOv5s网络的瓶颈层,采用使用少量卷积生成更多的特征图的思想,降低模型的瓶颈层的复杂度和计算量,完成对瓶颈层的轻量化处理。这两种策略使得算法在仅损失一小部分精度的情况下,显著降低了模型的Params和FLOPs,获得更好的轻量化性能。实验结果表明,与其他水下目标检测方法相比,本章提出的算法在Params和FLOPs上具有显著的优势,同时也保证了较高的精度。ESGC-YOLOv5s算法始终围绕着轻量化技术,适用于算力极低的移动端部署,具有实际应用意义。

基于场景特征融合的海参目标检测及轻量化模型研究

这是一篇关于水下目标检测,海参检测,场景特征融合,Transformer,轻量化的论文, 主要内容为随着对海参需求的不断增加,探索海参目标探测技术可以协助机器人完成海参捕捞任务,这有助于缓解人工捕捞海参作业存在的危险和风险问题,同时也能够促进海洋资源的可持续开发和利用。近年来,陆地目标检测算法研究取得了显著的成果,例如一些基于目标检测的遥感影像分析方法已经能够实现对城市、农田、森林等不同类型陆地的自动化检测和分类,为生态保护、土地管理和城市规划等领域的应用提供了有力支持。虽然计算机视觉和深度学习技术的快速发展为陆地目标检测带来了巨大的进步,但是水下目标检测算法的研究相对来说还比较薄弱,尤其是具备针对性的海参检测算法寥寥无几。关于海参检测算法的研究主要存在以下困难:由于复杂的海底环境与成像设备的局限性等因素,使水下图像存在噪声污染、对比度低、颜色失真等问题,使得海参检测面临水下目标检测的共性困难;此外,海参拥有出色的自我保护机制,它们的身体颜色可以随着环境颜色的变化而发生变化,因此海参身体特征与环境特征高度相似,这也是海参检测任务中最大的困难;在实际的水下目标检测算法应用落地时,常常面临着微型嵌入式设备计算资源紧缺,无法很好地进行部署与检测。针对以上问题,本文的主要研究内容如下:1.对国内外水下海参目标检测和检测模型轻量化的研究和发展情况进行了详细介绍,为后续的实验工作打下了坚实的基础。此外,还简要概述了卷积神经网络的基本组成和工作原理,基于Anchor与基于Anchor-free的两大检测路线的理论方法,最后还对目标检测的评估指标进行了简要介绍,为后续深入研究水下海参目标检测算法以及对算法性能进行评估打下了基础。2.针对水下图像存在的噪声污染、对比度低、颜色失真等共性问题以及海参识别中存在形态模糊、与背景高度相似以及特殊生态场景共存等特点,本章节中提出一种基于改进Center Net和场景特征融合的水下海参目标检测算法FACenter Net。该算法使用Efficient Net-B3作为骨干网络来降低模型的Params和FLOPs,并通过增加模型的深度和宽度以提高精度。然后,本文设计了基于三级Transformer的并联FPT模块以充分聚焦和挖掘不同空间、不同尺度的海参生态场景信息(例如海参刺、礁石、水草时常与海参存在于同一个场景中)。最后,本文还设计了AFF模块以寻求更好的特征融合方式,AFF模块采用了基于MS-CAM注意力机制的设计思路,通过引入全局特征的注意力和局部特征注意力针对性解决待融合的海参浅层细节特征与高层语义特征语义差异较大问题,从而提高了模型的性能。该算法具有较高的检测精度、能够应对模糊的海参、小尺寸海参和密集场景下的海参检测任务,并实现了检测精度、Params与FLOPs之间的平衡。3.针对当前深度学习单阶段检测算法综合性能不平衡以及难以在嵌入式设备上部署的问题,本章提出了一种面向嵌入式平台的高性能海参目标检测算法ESGC-YOLOv5s。该算法在上一章节的研究数据基础上,采用精度较高、轻量化性能突出的YOLOv5s作为基础网络,并进行了更加轻量化的改进优化。首先,采用Shuffle Net V2的改进版本ESNet作为主干网络,重点提升模型的整体轻量化性能。其次,将Ghost CSP模块应用于YOLOv5s网络的瓶颈层,采用使用少量卷积生成更多的特征图的思想,降低模型的瓶颈层的复杂度和计算量,完成对瓶颈层的轻量化处理。这两种策略使得算法在仅损失一小部分精度的情况下,显著降低了模型的Params和FLOPs,获得更好的轻量化性能。实验结果表明,与其他水下目标检测方法相比,本章提出的算法在Params和FLOPs上具有显著的优势,同时也保证了较高的精度。ESGC-YOLOv5s算法始终围绕着轻量化技术,适用于算力极低的移动端部署,具有实际应用意义。