[发明专利]适用于TX2嵌入式平台的水产品目标实时检测方法

说明书

本发明公开了一种适用于TX2嵌入式平台的水产品目标实时检测方法。解决了目前水下机器人AUV无法满足水产品实时检测的问题。实现包括：水产品图像数据库的构建与分析；图像增强和数据扩增预处理；搭建水下轻量化网络模型主干网络的初始基本单元、具有多尺度特征提取能力的主干网络基本单元I‑DSC、主干网络结构及其预测网络结构；水下轻量化网络模型的整体搭建和部署，完成水产品目标实时检测。本发明采用图像处理算法和深度卷积对抗生成网络进行数据增强；重构主干和预测网络，设计了一种水下轻量化网络模型；在TX2进行数据预处理和检测模型的部署。实验证明本发明具有较高的检测速度和精度，满足实际工程应用需求，用于水下机器人水产品实时检测。

技术领域

本发明属于计算机视觉和人工智能技术领域，主要涉及针对水下图像的识别和检测，具体是一种适用于TX2嵌入式平台的水产品目标实时检测方法，用于自主水下机器人视觉系统对水产品目标的识别分类。

背景技术

自主水下机器人(AUV)是目前最先进的水下监测和作业设备，它可以代替人类在复杂的水底环境中完成特定任务，例如参与水产品的捕捞、水下工程设备维修和水下环境监测等的图像采集与检测，或者协助人类共同完成水下各种作业任务。要想完成水下监测与作业任务，AUV必须能够通过本身视觉系统快速的感知水下复杂环境，并对感兴趣的目标进行精准识别。因此，基于光视觉的近距离目标检测是水下机器人视觉感知系统中较为关键的技术。然而，由于光线在水下传播过程中存在不同程度的衰减，采集的水下图像普遍存不清晰、照度低和颜色失真等问题，使得水下目标检测面临诸多工程难题。如何能够在低质量的水下图像中，高精准和高速率的检测水下感兴趣目标成为亟待解决的工程难题。

目前，水下目标检测过程可以分为三个阶段：水下图像采集、图像特征提取和目标识别。近年来，随着深度学习的发展，其凭借深度学习优秀的特征提取能力可以做到传统方法无法达到的识别检测精度，并且其获得特征具有很强的迁移能力，其对于各种不同领域目标的特征提取具有通用性，泛化能力比较强。因此，将深度学习运用于水下目标检测技术，削减水下不确定性环境带来的影响，是提高水下图像识别检测性能的有效途径之一。

国内外学者基于深度学习对水下目标检测方法展开了一系列研究，Li等人在Oceans2015期刊发表的论文将高精度的Fast R-CNN应用于复杂的水下环境中进行鱼类的检测与识别，与可变形部件模型(DPM)相比，Fast R-CNN的平均精度提高了11.2％，但是该算法在上位机的检测速度仅为3帧。针对水下视频鱼类检测的实时性问题，Sung等人在Oceans2017期刊发表的论文提出了一种基于YOLO的卷积神经网络，用真实环境下的鱼类视频图像对该方法的可靠性和准确性进行了评价，分类准确率达到93％，但是该算法在上位机的检测速度为16.7帧，无法满足实时检测要求。Pedersen等人在CVPRW2019上发表的论文对YOLOv2和YOLOv3 CNNs进行了调整，并用于水下目标检测，检测精度达到84％，但是该论文未评估算法的检测速度。

综上，复杂水下环境中的成像质量是影响水下目标检测技术发展的一个重要因素，同时现有基于深度学习的水下目标检测方法均是采用离线数据在高性能上位机进行模型的训练与测试，这些检测方法计算量大，实现较为复杂，不适合在计算、功耗资源有限的水下机器人嵌入式计算设备上运行。所以对现有检测模型去除冗余、精简结构，使其能够满足水下机器人实时检测是水下目标探测技术一大需求。

发明内容

为了克服上述现有技术的不足，本发明提供一种在保持检测精度同时大幅提高检测速度的适用于TX2嵌入式平台的水产品目标实时检测方法。

本发明是一种适用于TX2嵌入式设备的水产品目标实时检测方法，其中涉及到上位机和搭载TX2嵌入式设备的自主水下机器人AUV，将水下机器人采集的离线图像数据在上位机完成样本数据的预处理和检测网络模型的训练，并将训练好的检测网络模型移植到水下机器人的TX2嵌入式设备上进行水产品目标实时检测，其特征在于，包括有如下步骤：