基于联动扩展神经网络的水下自由活蟹检测器研究

摘要

利用机器视觉技术检测池塘水下自由活蟹的形态位置和数量分布信息,是实现自动投饵船精准变量投喂的关键.本文设计了一种基于联动扩展卷积神经网络的实时轻量型水下活蟹检测器.首先,针对水下图像模糊和色彩不均的特点,以及稀疏分解后不同频率图像的信息组成特点,分别进行K-SVD降噪和Retinex色彩校正;然后,采用联动扩展网络宽度、深度和分辨率方式来协调精度和效率的轻量级EfficientNet作为主干网络;引入复合缩放因子,对堆叠两层加权双向特征金字塔结构的高效融合特征网络和堆叠三层卷积模块的类别/边界框预测网络进行全局联动扩展,以构建适用于有限资源的小型活蟹检测器;最后,在类别/边界框预测网络中利用正交Sofimax层替代完全连接的分类层,确保检测器可从小样本数据中学习更多的区分特征,有效缓解小样本检测的过拟合问题.采用自建的20 625幅数据样本对检测模型进行训练和测试,实验表明,降噪、校正后的图像颜色均衡,且清晰度高,检测的平均交并比Iou提高近8个百分点.检测模型EfficientNet-Det0存储内存仅需15 MB,便可实现查准率96.21％和查全率94.86％,单幅图像检测延迟分别为10.6 ms(GPU)和35.0 ms(CPU).浮点运算次数FLO^减少至YOLOv3算法的1/15,CPU运行速度是其3倍,而准确性与YOLOv3算法相当,甚至略优.EfficientNet-Det0搭载在资源受限的自动投饵船上能够快速精准检测水下河蟹,并能实现对池塘自由活蟹分布的统计,为建立科学的投喂机制提供可靠的决策信息.