文献类型：期刊文章

作　　者：郝琨[1] 王阔[1] 赵璐[1] 王贝贝[2] 王传启[3]

HAO Kun;WANG Kuo;ZHAO Lu;WANG Bei-bei;WANG Chuan-qi(School of Computer and Information Engineering,Tianjin Chengjian University,Tianjin 300384,China;School of Control and Mechanical Engineering,Tianjin Chengjian University,Tianjin 300384,China;Tianjin Keyvia Electric Co.,Ltd.,Tianjin 30038Ay China)

机构地区：[1]天津城建大学计算机与信息工程学院,天津300384 [2]天津城建大学控制与机械工程学院,天津300384 [3]天津凯发电气股份有限公司,天津300384

出　　处：《吉林大学学报（工学版）》

基　　金：国家自然科学基金项目(61902273)。

年　　份：2022

卷　　号：52

期　　号：5

起止页码：1088-1097

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为准确检测水下生物,本文采用优化的MSRCR算法对水下图像进行增强,并基于DenseNet思想提出一种改进的YOLOv3目标检测算法Den-YOLOv3。针对水下生物图像中存在的图像模糊、色偏严重的问题,将ACE算法作用于MSRCR算法增强后的图像,以优化图像颜色及亮度。同时,将YOLOv3特征提取网络中的残差模块替换成密集块,得到DenYOLOv3模型,该模型有效加强了特征传播,提高了检测精度。实验结果表明:优化后的ACE_-MSRCR算法能有效增强水下图像,进而提高检测精度。Den-YOLOv3对四类水下生物的检测精度均高于其他模型,在检测速度上达到25 ms/帧,可以满足对水下生物实时检测的要求。

关 键 词：计算机应用 水下生物检测  水下图像 图像增强 深度学习  

分 类 号：TP391.4]