陳 亮,楊羽翼,張 劍,吳亮紅,時(shí)慧晶,彭 輝

(1.湖南科技大學(xué)信息與電氣工程學(xué)院,湖南 湘潭 4112012.昆明船舶設(shè)備研究試驗(yàn)中心,云南 昆明 650051)

0 引言

水下目標(biāo)視覺檢測(cè)是水下機(jī)器人環(huán)境感知與高精度定位作業(yè)的重要保障[1]。視覺目標(biāo)檢測(cè)的主要任務(wù)是實(shí)現(xiàn)對(duì)被檢目標(biāo)圖像位置回歸預(yù)測(cè)與目標(biāo)屬性分類識(shí)別。不同于傳統(tǒng)二階段目標(biāo)檢測(cè)方法[2],YOLO系列的目標(biāo)檢測(cè)算法采用端到端的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)[3],將整個(gè)檢測(cè)過程看成統(tǒng)一的回歸問題,通過簡(jiǎn)化任務(wù)成本,有效節(jié)省了算法訓(xùn)練與前向推導(dǎo)的時(shí)間,提高了算法運(yùn)行效率。

然而,在YOLO系列算法[4-6]中,目標(biāo)檢測(cè)與識(shí)別是以整體對(duì)象為特征提取的基礎(chǔ),其檢測(cè)與識(shí)別的性能主要受中心點(diǎn)位置偏差、預(yù)測(cè)框與真實(shí)框之間的交并比及目標(biāo)分類誤差三方面因素影響。而水下機(jī)器人在海底作業(yè)時(shí),由于受泥沙、懸浮物以及多目標(biāo)動(dòng)態(tài)位置變化等因素影響,被檢目標(biāo)容易被遮擋,形態(tài)差異性變化大,因而檢測(cè)效果較差。

針對(duì)上述問題,文獻(xiàn)[7]提出了廣義交并比(generalized intersection over union,GIoU),通過優(yōu)化錨框與目標(biāo)重疊時(shí)的交并比(IoU)部分損失函數(shù),實(shí)現(xiàn)了算法在任意條件下?lián)p失函數(shù)的可導(dǎo),解決了算法的穩(wěn)定性問題,但當(dāng)錨框彼此相關(guān)聯(lián)時(shí),GIoU將退回為普通IoU,且在水平與垂直方向收斂困難。此外,在中心點(diǎn)位置回歸方面,文獻(xiàn)[8]提出的基于距離的交并比(DIoU),通過對(duì)錨框與目標(biāo)之間的中心距離歸一化,提高算法的收斂性,同時(shí),針對(duì)其在不同方向上歸一尺度不統(tǒng)一的問題,提出綜合考慮重疊面積、中心點(diǎn)距離以及長(zhǎng)寬比等因素的完全交并比(CIoU),提高了對(duì)遮擋目標(biāo)的檢測(cè)效果。但是二者均沒有考慮遮擋目標(biāo)的動(dòng)態(tài)變化問題,算法自適應(yīng)能力弱,無法勝任機(jī)器人動(dòng)態(tài)巡檢任務(wù)需求[9-10]。

為此,本文針對(duì)遮擋目標(biāo)特征信息相對(duì)較弱,重疊區(qū)域不確定的問題,在CIoU的基礎(chǔ)上,提出一種基于特征增強(qiáng)與損失優(yōu)化的YOLO改進(jìn)算法,設(shè)計(jì)了隨機(jī)殘差通道注意力提升水下圖像的特征表征能力,同時(shí)采用真值排斥因子與預(yù)測(cè)因子優(yōu)化損失函數(shù),實(shí)現(xiàn)對(duì)不同遮擋目標(biāo)的多尺度位置回歸,最后,針對(duì)在遮擋區(qū)域較多時(shí)目標(biāo)預(yù)測(cè)概率偏低而采用傳統(tǒng)非極大值抑制法容易漏檢的問題,算法在預(yù)測(cè)器輸出端加入遮擋預(yù)測(cè)率信息,實(shí)現(xiàn)對(duì)不同程度遮擋目標(biāo)檢測(cè)框的自適應(yīng),提升被遮擋目標(biāo)檢測(cè)的召回率。

2 基于YOLOv4的目標(biāo)檢測(cè)網(wǎng)絡(luò)

YOLO系列作為端到端的一階段目標(biāo)檢測(cè)算法,其以darknet53作為特征提取網(wǎng)絡(luò),通過將輸出的3層多尺度空間特征圖作為檢測(cè)與識(shí)別網(wǎng)絡(luò)輸入,并融合了FPN的結(jié)構(gòu)與思路,實(shí)現(xiàn)對(duì)不同大小目標(biāo)的有效檢測(cè)。而作為集當(dāng)今主流有效模塊的YOLOv4[11],其不僅利用跨階段局部網(wǎng)絡(luò)(cross stage partial network,CSPNet)改進(jìn)特征提取網(wǎng)絡(luò),同時(shí),采用馬賽克增強(qiáng)方法與MixCut方法相結(jié)合,有效提升了算法的自適應(yīng)能力。但在水下環(huán)境中,由于圖像過度退化,應(yīng)用上述噪聲擾動(dòng)的離線預(yù)處理方法仍會(huì)造成一定的精度損失。

YOLOv4算法結(jié)構(gòu)框架如圖1所示。

圖1 YOLOv4網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.1 YOLOv4 network architecture diagram

上述網(wǎng)絡(luò)首先將離線處理的圖片輸入給特征提取網(wǎng)絡(luò)CSP-Darknet,通過多尺度特征提取,獲得基礎(chǔ)特征的映射圖,然后再通過密集連接模塊將信息傳遞給下一階段,從而實(shí)現(xiàn)淺層特征映射圖分離。此后,網(wǎng)絡(luò)通過多層級(jí)特征融合的整合器PAN結(jié)構(gòu)完成多尺度的信息交互。最后,網(wǎng)絡(luò)采用3種分辨率的特征圖作為預(yù)測(cè)器,分析圖像檢測(cè)結(jié)果,獲得最終的目標(biāo)位置信息與屬性信息。從網(wǎng)絡(luò)總體結(jié)構(gòu)分析,YOLO v4網(wǎng)絡(luò)通過優(yōu)化結(jié)構(gòu)深度,較好地提升了對(duì)多尺度目標(biāo)的檢測(cè)效果,但算法仍存在寬度利用率不足,深度空間的各層通道信息冗余,彼此獨(dú)立等問題。

此外,在錨框回歸上,YOLOv4采用非極大值抑制(NMS)優(yōu)化CIoU,并通過閾值濾除一定量的正樣本,實(shí)現(xiàn)了正負(fù)樣本平衡。算法在優(yōu)化交并比機(jī)制以提高計(jì)算精度的基礎(chǔ)上,實(shí)現(xiàn)了對(duì)目標(biāo)檢測(cè)召回率的提升。但在水下環(huán)境中,由于目標(biāo)的遮擋尺度存在多樣化變化,交并比計(jì)算精度低,網(wǎng)絡(luò)對(duì)遮擋目標(biāo)檢測(cè)仍存在漏檢的可能,自適應(yīng)能力偏弱。

3 遮擋目標(biāo)檢測(cè)深度學(xué)習(xí)算法優(yōu)化

水下環(huán)境中對(duì)被檢目標(biāo)的遮擋問題主要包括兩類,一類是環(huán)境遮擋如礁石、泥沙、水藻等以及水生動(dòng)植物棲息所引起的遮擋問題,另一類是同類目標(biāo)與異類目標(biāo)彼此之間的相互遮擋。前者由于遮擋物在顏色、形態(tài)上與環(huán)境存在同質(zhì)化現(xiàn)象,因而在目標(biāo)檢測(cè)時(shí)常通過設(shè)計(jì)復(fù)雜的網(wǎng)絡(luò),提升對(duì)環(huán)境的感知能力,最終解決目標(biāo)的虛檢、漏檢問題;而后者則因?yàn)槟繕?biāo)檢測(cè)器候選框容易交疊,預(yù)測(cè)候選框目標(biāo)類別評(píng)分偏低,采用非極大值抑制法容易將真值也進(jìn)行濾除。此外,在YOLO中預(yù)先設(shè)定檢測(cè)柵格中每個(gè)尺度特征層僅有3種不同形態(tài)的錨框,如果柵格鄰域內(nèi)目標(biāo)數(shù)量較多,則候選框容易向特征更顯著的目標(biāo)偏移從而造成漏檢。

針對(duì)上述問題,本文在YOLOv4目標(biāo)檢測(cè)框架上,通過在Darknet-CSP結(jié)構(gòu)中加入隨機(jī)殘差通道注意力,提升通道之間的信息交互;同時(shí),采用候選框排斥項(xiàng)Rep-GTIoU loss與預(yù)測(cè)框排斥項(xiàng)RepBox loss[12]優(yōu)化目標(biāo)損失函數(shù),增加被檢目標(biāo)預(yù)測(cè)框之間的回歸界限,緩解目標(biāo)群集因遮擋所引起定位與回歸效果差的問題。

3.1 隨機(jī)殘差通道注意力模塊

YOLOv4采用隨機(jī)殘差連接的方式有效縮減了計(jì)算量,剔除了部分無用的殘差網(wǎng)絡(luò),增強(qiáng)了已學(xué)習(xí)特征的比重。但在水下探測(cè)的場(chǎng)景下,目標(biāo)物受環(huán)境干擾極大,僅采用CSP改進(jìn)Darknet通道,通過隨機(jī)堆疊的方式減少計(jì)算量,雖然降低了訓(xùn)練成本,但訓(xùn)練方向難以控制,模型無法快速有效地獲得最優(yōu)參數(shù)。針對(duì)上述問題,本文結(jié)合注意力機(jī)制(efficient channel attention,ECA)[13]提出了改進(jìn)CSP殘差單元CSP-ECA,結(jié)構(gòu)如圖2所示,通過通道注意力機(jī)制快速獲得有效堆疊通道,并通過增強(qiáng)其融合權(quán)重,實(shí)現(xiàn)訓(xùn)練方向的最優(yōu)化。

圖2 CSP-ECA結(jié)構(gòu)圖Fig.2 CSP-ECA structure diagram

CSP-ECA在堆疊通道后首先采用全局池化獲得特征圖的全局語義信息;其后,模型在不降低維度信息條件下將全局特征聚合在對(duì)應(yīng)的通道內(nèi),盡可能保留不失真的信息;最后,通過對(duì)濾波卷積核采用自適應(yīng)k近鄰算法,實(shí)現(xiàn)對(duì)堆疊后的通道信息互通。卷積核參數(shù)自適應(yīng)如式(1)所示：

(1)

在上述結(jié)構(gòu)中,網(wǎng)絡(luò)首先通過卷積獲得通道特征,其后通過對(duì)堆疊后的特征圖進(jìn)行權(quán)重加權(quán),實(shí)現(xiàn)對(duì)高維特征的重點(diǎn)學(xué)習(xí)。該方式使得每個(gè)CSP Block都可應(yīng)用一次通道信息整合,提升信息關(guān)注度。雖然會(huì)增加參數(shù)量與計(jì)算量,但增加的量相對(duì)較少,在訓(xùn)練與檢測(cè)時(shí)基本可忽略不記。

3.2 回歸損失函數(shù)改進(jìn)

文獻(xiàn)[9]在YOLOv4的基礎(chǔ)上將損失函數(shù)由IoU loss調(diào)整為CIoU loss,解決了當(dāng)錨框彼此不相交時(shí)損失函數(shù)始終為常數(shù)而無法給出優(yōu)化方向的問題。CIoU loss具體定義為

(2)

(3)

(4)

式中,A為目標(biāo)框間的交并比(IoU),ρ為距離度量函數(shù),b、bgt分別是輸入損失函數(shù)中的候選框與目標(biāo)框的中心點(diǎn),c為兩框最小外接矩形的對(duì)角線距離,β表示用于平衡比例的系數(shù),v用于衡量Anchor框和目標(biāo)框之間的比例一致性。

由于上述計(jì)算時(shí)沒有引入功率懲罰項(xiàng),因此CIoU loss無法實(shí)現(xiàn)對(duì)不同目標(biāo)相對(duì)權(quán)重的自適應(yīng),因而在動(dòng)態(tài)檢測(cè)時(shí),YOLOv4召回率容易偏低。

α-IoU作為IoU的冪次推廣[14],具有梯度自適應(yīng)重加權(quán)特性,通過自適應(yīng)地重新加權(quán)高和低IoU目標(biāo)的損失和梯度,提高預(yù)測(cè)框的回歸精度,因而本文采用α-IoU優(yōu)化CIoU loss,通過參數(shù)自適應(yīng)提升不同目標(biāo)的相對(duì)權(quán)重。

首先對(duì)IoU進(jìn)行功率變換：

Lα-IoU=1-Aα1+Ρα2(b,bgt) (α1、α2>0),

(5)

式(5)中,Ρα2(b,bgt)是根據(jù)預(yù)測(cè)框和真實(shí)框計(jì)算的懲罰項(xiàng),經(jīng)實(shí)驗(yàn)證明Lα-IoU對(duì)α2取值不敏感,因此為了保持一致性取α=α1=α2。

采用α-IoU優(yōu)化參數(shù)α后的Lα-CIoU為

(6)

(7)

(8)

式中,ρ為二階閔氏距離函數(shù)。

當(dāng)α>1時(shí),損失函數(shù)將更加側(cè)重于高IoU目標(biāo)區(qū)域,尤其在多個(gè)候選框彼此無交集的場(chǎng)景下,模型訓(xùn)練也將更容易朝候選框交疊域正增長(zhǎng)方向優(yōu)化。

此外,為提升對(duì)水下目標(biāo)遮擋問題的檢測(cè)能力,本文在上述優(yōu)化的CIoU loss的基礎(chǔ)上加入真值目標(biāo)框排斥因子,拓寬預(yù)測(cè)框與其他真值目標(biāo)框之間的間距,防止預(yù)測(cè)框全部陷入置信得分最高的區(qū)域。

真值排斥項(xiàng)因子LRepGT定義為

(9)

(10)

(11)

此外,為了預(yù)測(cè)框更加獨(dú)立,算法同時(shí)給損失函數(shù)添加預(yù)測(cè)目標(biāo)框的排斥因子。通過排斥因子,擴(kuò)大已匹配真值的目標(biāo)框與預(yù)測(cè)目標(biāo)框之間界限,使得已匹配的目標(biāo)框不再朝更顯著真值框回歸。

定義預(yù)測(cè)目標(biāo)框排斥因子LRepBox：

(12)

式(12)中,Bp為已匹配了真值框的預(yù)測(cè)框,I[·]為identity函數(shù),ε為一個(gè)極小值防止函數(shù)出現(xiàn)無窮大。

引入真值目標(biāo)框排斥因子和預(yù)測(cè)目標(biāo)框排斥因子后的回歸損失函數(shù)為

LRep-αCIoU=LαCIoU+aLRepGt+bLRepBox,

(13)

式(13)中,a、b為權(quán)重平衡因子。過大的權(quán)重和預(yù)測(cè)框回歸的任務(wù)相沖突,從而會(huì)導(dǎo)致檢測(cè)精確度的下降,因此,a,b因子取值應(yīng)保持二者之和為1。

3.3 遮擋率預(yù)測(cè)

針對(duì)預(yù)測(cè)相同目標(biāo)且得分較差的邊界框,深度學(xué)習(xí)的目標(biāo)檢測(cè)方法常采用非最大值抑制法NMS進(jìn)行濾除,即僅保留評(píng)分值最高的邊界框。而傳統(tǒng)NMS沒有考慮上下文信息[15],容易造成遮擋目標(biāo)的漏檢。為此,本文以YOLOv4的優(yōu)化soft NMS[16]為基礎(chǔ),在其3層檢測(cè)器原有輸出維度的基礎(chǔ)上增加一維目標(biāo)遮擋率信息,為網(wǎng)絡(luò)的位置回歸提供遮擋上下文信息輔助,提高檢測(cè)的召回率。預(yù)測(cè)器輸出參數(shù)如表1所示。

表1 預(yù)測(cè)器輸出參數(shù)Tab.1 Predictor output parameters

改進(jìn)后的檢測(cè)器共享網(wǎng)絡(luò)參數(shù),因而并不會(huì)引入冗余參數(shù),但該預(yù)測(cè)信息為判別不同類型遮擋目標(biāo)提供動(dòng)態(tài)自適應(yīng)的閾值。

在水下圖像中,采用與真值目標(biāo)框計(jì)算獲得的最大IoU值作為遮擋率標(biāo)簽,其后對(duì)每個(gè)位置的遮擋率進(jìn)行有監(jiān)督回歸。為簡(jiǎn)化計(jì)算,減少離群點(diǎn)的干擾,遮擋率預(yù)測(cè)損失函數(shù)設(shè)為Smoothl1,則遮擋率計(jì)算為

S=argmaxIoU(Gi,Gj),

(14)

式(14)中,Gi、Gj為不同目標(biāo)真實(shí)框。

通過預(yù)測(cè)遮擋率與真實(shí)遮擋率之間的回歸,并利用最后獲得的預(yù)測(cè)遮擋率信息對(duì)NMS進(jìn)行加權(quán),實(shí)現(xiàn)在有遮擋時(shí)閾值動(dòng)態(tài)自適應(yīng)調(diào)整,無遮擋時(shí)閾值恒定不變。閾值調(diào)節(jié)如圖3所示。

圖3 密度自適應(yīng)NMS示意圖Fig.3 Schematic of density adaptive NMS

通過上述方法對(duì)目標(biāo)檢測(cè)網(wǎng)絡(luò)的輸出結(jié)果進(jìn)行自適應(yīng)處理,可提升檢測(cè)器在復(fù)雜多變水下多目標(biāo)動(dòng)態(tài)檢測(cè)場(chǎng)景下的性能,保持檢測(cè)系統(tǒng)在水下群集中遮擋時(shí)的可靠性與穩(wěn)定性。

4 實(shí)驗(yàn)驗(yàn)證

算法在Windows操作系統(tǒng)中,以顯卡GTX1070-8G,CPU i7-8700為模型訓(xùn)練設(shè)備,選擇基于渤海海域海洋生物檢測(cè)的公開視頻進(jìn)行實(shí)驗(yàn)。為了驗(yàn)證算法在通用水下檢測(cè)場(chǎng)景與純遮擋環(huán)境下不同的效果,實(shí)驗(yàn)將公開視頻數(shù)據(jù)進(jìn)行區(qū)分,即定義原視頻為通用數(shù)據(jù)集,而選擇所有存在不同程度遮擋的圖像為遮擋數(shù)據(jù)集,即定義為密集數(shù)據(jù)集。

為了有效完成對(duì)不同算法目標(biāo)檢測(cè)性能的定量化評(píng)價(jià),實(shí)驗(yàn)選擇綜合考慮了準(zhǔn)確率與召回率的平均精確度(mean average precision,mAP)作為評(píng)價(jià)標(biāo)注,其定義為

(15)

式(15)中,P為準(zhǔn)確率,R為召回率。mAP通過計(jì)算每個(gè)類別的準(zhǔn)確率與召回率曲線所形成圖形的面積平均值,直接反映網(wǎng)絡(luò)對(duì)所有被檢目標(biāo)的綜合檢測(cè)能力。

實(shí)驗(yàn)過程中,超參數(shù)的設(shè)置主要包括設(shè)置Smoothln和Smoothl1的σ為0.5,遷移學(xué)習(xí)凍結(jié)特征提取網(wǎng)絡(luò)部分的初始學(xué)習(xí)率為0.003,開放訓(xùn)練的初始學(xué)習(xí)率設(shè)定為0.000 3,學(xué)習(xí)率衰減策略為固定步長(zhǎng)衰減,伽馬值設(shè)定為0.94,LRep-αCIoU中α為3,NMS無遮擋目標(biāo)的抑制閾值為0.7。

4.1 消融實(shí)驗(yàn)

為了分析本文所提出的不同網(wǎng)絡(luò)模塊對(duì)總體檢測(cè)結(jié)果的影響,實(shí)驗(yàn)以YOLOv4為基礎(chǔ)網(wǎng)絡(luò),對(duì)CSP-ECA結(jié)構(gòu)、LRep-αCIoU損失函數(shù)改進(jìn)、遮擋率Adaptive NMS進(jìn)行消融實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果如表2所示。

表2 消融實(shí)驗(yàn)結(jié)果Tab.2 Results of ablation experiments

表2中,CIoU loss為YOLOv4網(wǎng)絡(luò)基礎(chǔ)配置,而CSP-ECA、Rep-CIoU以及Adaptive NMS三個(gè)模塊為本文算法針對(duì)遮擋模板所提出的改進(jìn)模塊,通過對(duì)比增加了上述各模塊的網(wǎng)絡(luò)在通用數(shù)據(jù)集與全部存在遮擋模板數(shù)據(jù)集的兩個(gè)mAP值可知,本文提出的三個(gè)模塊CSP-ECA、Rep-αCIoU以及Adaptive NMS,在檢測(cè)通用場(chǎng)景時(shí)mAP分別增加了0.23%、0.34%與0.48%,而在劃分的遮擋數(shù)據(jù)集中,三個(gè)模塊檢測(cè)的mAP值提升達(dá)0.53%、2.54%與1.65%。上述結(jié)果說明本文提出的三個(gè)模塊在水下目標(biāo)檢測(cè),尤其是在密集目標(biāo)的遮擋檢測(cè)上均具有不同程度的優(yōu)化作用。此外,融合上述三個(gè)模塊的網(wǎng)絡(luò),其總體檢測(cè)mAP較YOLOv4網(wǎng)絡(luò)提升了1.43%與4.93%,說明三個(gè)模塊彼此并不存在干擾,且通過三個(gè)模塊的有力互補(bǔ),系統(tǒng)檢測(cè)性能更優(yōu)。

4.2 性能對(duì)比實(shí)驗(yàn)

為了驗(yàn)證本文算法的先進(jìn)性,實(shí)驗(yàn)選擇當(dāng)前主流目標(biāo)檢測(cè)神經(jīng)網(wǎng)絡(luò)作為參考,通過相同的硬件平臺(tái),相同的數(shù)據(jù)集以及遮擋數(shù)據(jù)集下對(duì)其mAP進(jìn)行測(cè)試,實(shí)驗(yàn)結(jié)果如表3所示。

表3 不同算法性能對(duì)比Tab.3 Performance comparison of different algorithms

對(duì)比表3中不同算法的檢測(cè)結(jié)果,相比多尺度檢測(cè)的SSD算法,本文算法檢測(cè)結(jié)果提升達(dá)到16.1%與11.95%。在傳統(tǒng)算法中YOLOv4性能最高,其通用場(chǎng)景與密集遮擋場(chǎng)景下mAP分別為78.1%與83.58%,而GIoU與DIoU算法在通用場(chǎng)景下檢測(cè)性能與之相當(dāng),但在密集遮擋的場(chǎng)景下,DIoU由于其針對(duì)遮擋目標(biāo)損失函數(shù)的優(yōu)化,性能較YOLOv4提升了1.75%。與上述算法相比,本文算法相較YOLOv4提升1.43%與4.4%,較針對(duì)遮擋的DIoU算法也提升了1.58%與3.18%,實(shí)驗(yàn)結(jié)果表明本文算法相比較傳統(tǒng)算法,在水下應(yīng)用場(chǎng)景中對(duì)存在遮擋的多目標(biāo)群集檢測(cè),具有更優(yōu)的檢測(cè)性能。

部分檢測(cè)結(jié)果可視化如圖4所示。

圖4 檢測(cè)結(jié)果圖Fig.4 The detection results of differentalgorithm

圖4為六種不同場(chǎng)景下YOLOv4算法、DIoU算法與本文算法檢測(cè)結(jié)果對(duì)比圖。分析同一場(chǎng)景的不同算法檢測(cè)結(jié)果可以發(fā)現(xiàn)：YOLOv4對(duì)于特征鮮明的獨(dú)立個(gè)體,其檢測(cè)精度與召回率均相對(duì)較高,但對(duì)于遮擋目標(biāo),召回率受特征遮擋面積而明顯下降;DIoU算法由于其針對(duì)遮擋做了損失優(yōu)化,召回率較YOLOv4有所提升,但與本文算法相比,上述二者檢測(cè)召回率明顯偏低。如場(chǎng)景1中被測(cè)目標(biāo)約7個(gè),而YOLOv4輸出檢測(cè)結(jié)果為5個(gè),DIoU輸出檢測(cè)結(jié)果為6個(gè),本文檢測(cè)結(jié)果為7個(gè);場(chǎng)景2中被測(cè)目標(biāo)約11個(gè),而YOLOv4輸出為5個(gè),DIoU輸出為8個(gè),本文算法輸出為10個(gè);密集遮擋程度相對(duì)較高的為場(chǎng)景6,被檢測(cè)目標(biāo)約23個(gè),YOLOv4檢測(cè)輸入17個(gè),DIoU輸出為18個(gè),本文算法檢測(cè)輸出為23個(gè)。同理分析其他場(chǎng)景,目標(biāo)密集度越高,遮擋越嚴(yán)重,YOLOv4越容易丟失目標(biāo)而造成漏檢,而本文算法則受影響相對(duì)較小,召回率仍維持在較高的水平。而在準(zhǔn)確率方面,針對(duì)輸出目標(biāo)的分類識(shí)別,YOLOv4、DIoU及本文算法,其準(zhǔn)確率相當(dāng),均出現(xiàn)明顯識(shí)別錯(cuò)誤等問題。

綜上所述,本文算法在水下目標(biāo)群集環(huán)境下具有更強(qiáng)的自適應(yīng)能力,檢測(cè)精度與召回率更高,系統(tǒng)更穩(wěn)健,更適合水下探測(cè)機(jī)器人使用。

5 結(jié)論

針對(duì)水下群集目標(biāo)存在遮擋,傳統(tǒng)算法檢測(cè)的準(zhǔn)確度與召回率不能滿足水下巡檢機(jī)器人作業(yè)要求的問題,本文從特征提取、損失函數(shù)及遮擋率預(yù)測(cè)三方面對(duì)YOLOv4網(wǎng)絡(luò)進(jìn)行優(yōu)化改進(jìn)。算法首先通過通道注意力機(jī)制,提高了隨機(jī)殘差模塊的信息交互能力;其后,采用真值排斥因子RepGt與預(yù)測(cè)排斥因子RepBox優(yōu)化α-IoU,提升遮擋目標(biāo)的自適應(yīng)檢測(cè)能力;最后,通過自適應(yīng)Adaptive-DIoU-NMS,實(shí)現(xiàn)對(duì)目標(biāo)遮擋率預(yù)測(cè),提升水下多目標(biāo)遮擋條件下的召回率。實(shí)驗(yàn)結(jié)果表明,在水下環(huán)境條件下,本文算法較同級(jí)網(wǎng)絡(luò)的檢測(cè)的精度與召回率更高,在目標(biāo)密集場(chǎng)景中能檢測(cè)出更多目標(biāo)。但同時(shí),本文方法在多尺度目標(biāo)檢測(cè)時(shí)未考慮全局信息,整體參數(shù)量仍需進(jìn)一步優(yōu)化。