水下底栖生物轻量化目标检测算法YOLOv7-RFPCW

TP391; 针对水下底栖生物检测模型参数量过多,计算量过大,同时水下环境复杂容易造成错检和漏检,影响模型在水下底栖生物检测任务中的准确性的问题.提出了一种水下底栖生物轻量化检测算法YOLOv7-RFPCW.对YOLOv7网络重新设计轻量级网络结构,降低了特征提取网络的参数量和计算量,减少模型体积.设计了 P-ELAN和P-ELAN-W模块,进一步轻量化特征提取网络;针对水下图像颜色失真,目标的空间位置不准确的问题,采用CBAM注意力模块加强特征融合,减少信息丢失,以更好地适应特殊的水下环境;针对水下目标容易出现形状变形的问题,使用WIOU-V3损失函数替换默认的CIOU损失函数,提高水下底栖...

Full description

Saved in:
Bibliographic Details
Published in农业工程学报 Vol. 40; no. 11; pp. 168 - 177
Main Authors 赵晨, 陈明
Format Journal Article
LanguageChinese
Published 上海海洋大学信息学院/农业农村部渔业信息重点实验室,上海 201306 01.06.2024
Subjects
deep learning
detection
benthos
检测
YOLOv7
目标
深度学习
底栖生物
objective
Online AccessGet full text

Cover

More Information
Summary:TP391; 针对水下底栖生物检测模型参数量过多,计算量过大,同时水下环境复杂容易造成错检和漏检,影响模型在水下底栖生物检测任务中的准确性的问题.提出了一种水下底栖生物轻量化检测算法YOLOv7-RFPCW.对YOLOv7网络重新设计轻量级网络结构,降低了特征提取网络的参数量和计算量,减少模型体积.设计了 P-ELAN和P-ELAN-W模块,进一步轻量化特征提取网络;针对水下图像颜色失真,目标的空间位置不准确的问题,采用CBAM注意力模块加强特征融合,减少信息丢失,以更好地适应特殊的水下环境;针对水下目标容易出现形状变形的问题,使用WIOU-V3损失函数替换默认的CIOU损失函数,提高水下底栖生物检测的鲁棒性.试验结果显示,改进后的模型YOLOv7-RFPCW的参数量和计算量分别减少了 75.9％和30.7％,模型体积减小了 75.3％,精度提升了 1.9个百分点.这一综合性的提升兼顾了轻量化和精度,为在水下环境中部署提供了可行的解决方案,验证了所提出的改进算法能胜任水下底栖生物检测任务.
ISSN:1002-6819
DOI:10.11975/j.issn.1002-6819.202311210