文献类型：期刊文章

作　　者：曹建荣[1] 庄园[1] 汪明[1] 韩发通[1] 郑学汉[1] 高鹤[1,2]

CAO Jian-Rong;ZHUANG Yuan;WANG Ming;HAN Fa-Tong;ZHENG Xue-Han;GAO He(Shandong Provincial Key Laboratory of Intelligent Building Technology,The School of Information and Electrical Engineering,Shandong Jianzhu University,Jinan 250101,China;Shandong Zhengchen Technology Co.Ltd.,Jinan 250101,China)

机构地区：[1]山东建筑大学信息与电气工程学院山东省智能建筑技术重点实验室,济南250101 [2]山东正晨科技股份有限公司,济南250101

出　　处：《计算机系统应用》

基　　金：国家自然科学基金(62073196);NSFC-山东联合基金(U1806204)。

年　　份：2023

卷　　号：32

期　　号：6

起止页码：204-211

语　　种：中文

收录情况：IC、JST、ZGKJHX、普通刊

摘　　要：针对水下图像模糊、颜色失真,水下场景环境复杂、目标特征提取能力有限等导致的水下鱼类目标检测精确度低的问题,提出一种基于YOLOv5的改进水下鱼类目标检测算法.首先,针对水下图像模糊、颜色失真的问题,引入水下暗通道优先(underwater dark channel prior, UDCP)算法对图像进行预处理,有助于在不同环境下正确识别目标;然后,针对水下场景复杂、目标特征提取能力有限问题,在YOLOv5网络中引入高效的相关性通道(efficient channel attention, ECA),增强对目标的特征提取能力;最后,对损失函数进行改进,提高目标检测框的准确度.通过实验证明改进后的YOLOv5在水下鱼类目标检测中精确度比原始的YOLOv5提高了2.95%,平均检测精度(mAP@0.5:0.95)提高了5.52%.

关 键 词：YOLOv5  深度学习  鱼类目标检测  注意力机制  水下图像

分 类 号：TP391.41] S951.2[计算机类]