在复杂渔光互补池塘环境中,传统机器视觉算法易受光影变化、池中水草分布和水面障碍物遮挡等因素干扰,导致视觉导航线检测效果不佳。针对上述问题,该研究提出了一种基于改进YOLOv8n的渔光互补池塘作业船导航中线提取方法。首先从提高检测实时性角度出发,将HGNetV2网络作为主干网络,采用组归一化方式(group normalization,GN)与共享卷积结构,设计轻量化检测头网络,减小模型体积;然后使用SPPF_LSKA模块作为特征融合层,提高模型多尺度特征融合能力;最后采用Wise-IoU(weighted interpolation of sequential evidence for intersection over union)损失函数,提升边界框回归性能和对中远处小目标的检测精度。利用改进YOLOv8n检测框坐标提取两侧水泥立柱定位参照点,通过最小二乘法拟合两侧水泥立柱行线,进而使用角平分线提取导航中线。消融试验结果表明,相对于原始YOLOv8n模型,改进YOLOv8n模型的计算量、参数量和模型体积分别下降36.0%、36.8%和32.8%,平均精度均值(mean average precision,mAP)为97.9%,查准率为93.1%,单张图像检测时间为6.8 ms,检测速度提升42.9%。不同模型对比试验表明,改进YOLOv8n模型在较低计算成本的基础上,体现出了良好的实时性与精准度检测性能,具有明显优势。在导航中线定位分析试验中,提取水泥立柱定位参照点与人工观测标记点平均直线误差在0~5和5~10 m距离范围内分别为3.69 cm和4.57 cm,提取导航中线与实际导航中线平均直线误差为3.26 cm,准确率为92%。在导航中线实时性试验中,导航中线平均提取速度为22.34帧/s,满足渔光互补池塘无人作业船导航要求,为后续作业船视觉导航系统研究提供参考。
针对目前在水下复杂环境中池塘养殖河蟹与饵料的检测算法存在检测精度低、速度慢等问题,该研究提出了基于改进YOLOv5s(you only look once version 5 small)的河蟹与饵料检测方法。首先,采用轻量化卷积Ghost替换普通卷积,同时利用GhostB...
详细信息
针对目前在水下复杂环境中池塘养殖河蟹与饵料的检测算法存在检测精度低、速度慢等问题,该研究提出了基于改进YOLOv5s(you only look once version 5 small)的河蟹与饵料检测方法。首先,采用轻量化卷积Ghost替换普通卷积,同时利用GhostBottleneck结构替换原主干网络中的残差结构快速提取网络特征,减少模型计算量,满足安卓端的应用要求。其次,为了弥补因网络参数量减少造成网络检测精度稍有降低的问题,借鉴BiFPN(bidirectional feature pyramid network)的思想改进原始YOLOv5s的双向融合骨干网络,以较低的计算成本提高网络对小目标的检测精度。此外,为了帮助网络进一步更好地识别目标,加入了CA(coordinate attention)注意力机制,使得图像中感兴趣的区域能够更准确地被捕获。试验结果表明:该研究改进模型平均精度均值为96.9%,计算量为8.5GFLOPs,与当前主流的单阶段有锚框目标检测算法SSD(single shot multibox detector)和YOLOv3相比,具有更高的检测精度以及更少的计算量。相比于原始YOLOv5s模型,本文改进模型平均精度均值提高了2.2个百分点,计算量和模型内存都降低了40%以上。最后,将改进前后的模型部署到安卓设备上测试。测试结果表明:改进后模型的平均检测速度为148 ms/帧,相较于原始模型检测速度提高了20.9%,并且保持了较好的检测效果,平衡了安卓设备对模型检测精度以及速度的性能需求,能够为河蟹养殖投饵量的精准确定提供参考。
暂无评论