论文部分内容阅读
随着人民生活品质的提升,海参消费市场逐年扩大,海参养殖产业也随之迅猛壮大,但与其配套的海参检测识别方法还处于研究的初期阶段,无法满足养殖情况监测与水下机器人捕捞作业等任务所需的海参识别需求。为此,本文对现有水下图像处理算法与水下目标识别技术进行了研究,鉴于水下图像成像的特点,设计了一种基于机器视觉的水下海参图像目标识别系统,该系统分为水下图像增强环节与目标识别环节。在水下图像增强环节中,设计了一种基于图像融合的水下图像增强方法,综合运用了同态滤波、MSRCR以及基于导向滤波的暗通道先验增强算法来进行水下图像处理,然后通过基于点锐度权重的图像多通道线性融合方法进行结果融合,再对其进行USM锐化,最终得到增强后的结果图像。再计算处理结果图像的Brenner 梯度、Tenengrad 梯度、Laplacian 梯度、SMD2、能量梯度、MSE、PSNR和SSIM等指标,验证了算法增强效果。最后,通过SIFT特征匹配实验得出该算法可以有效地提升图像特征信息密度,为目标识别环节建立了良好的条件。在目标识别环节中,筛选出400张经过增强处理的海参图像制作图像数据集,搭建基于YOLOv3的海参目标识别神经网络模型并进行训练。经过500次训练后,模型的训练集loss与验证集val_loss损失值分别下降到12.479与14.954后逐渐趋于平缓,得到用于水下海参图像识别的神经网络模型。最后通过大量的水下海参图像目标识别仿真实验,对该系统进行了识别精度分析,其多类别平均精度(mAP)能够达到98.87%。交并比(IOU)阈值设定为0.5,置信度阈值设定为0.6时,海参目标的识别准确率可以达到97.49%。实验结果显示,本文所设计的方法,符合设计预期,能够很好地满足水下海参图像目标识别的任务需求,识别准确率与模型精度较高。