典型文献
融合SKNet与YOLOv5深度学习的养殖鱼群检测
文献摘要：
为解决真实养殖环境下,水下成像模糊、失真等导致鱼群检测准确率低的问题,提出一种融合视觉注意力机制SKNet(selective kernel networks)与YOLOv5(you only look once)的养殖鱼群检测方法(SK-YOLOv5模型),该方法首先采用UNet(convolutional networks for biomedical image segmentation)对图像进行预处理,得到清晰的鱼群图像,然后将SKNet融合到YOLOv5的Backbone端构成关注像素级信息的特征提取网络,加强对模糊鱼体的识别能力,并在水下模糊鱼群图像数据集上进行了消融试验和模型对比试验,以验证SK-YOLOv5的有效性.结果表明:在鱼群检测任务上,SK-YOLOv5的识别精确率和召回率分别达到了98.86％和96.64％,检测效果比YOLOv5分别提升了2.14％和2.29％,与目前检测准确率较高的水下目标检测模型XFishHmMp和FERNet相比,SK-YOLOv5取得了较好的检测效果,与XFishHmMp模型相比,识别精确率和召回率分别提升了5.39％和5.66％,与FERNet模型相比,识别精确率和召回率分别提升了3.59％和3.77％,实现了真实养殖环境下鱼群的准确检测.研究表明,融合SKNet与YOLOv5的养殖鱼群检测方法,有效地解决了水下模糊图像鱼群检测准确率低的问题,提升了养殖鱼群检测和识别的整体效果.
文献关键词：
鱼群检测;YOLOv5;UNet;SKNet;视觉注意力机制;深度学习
中图分类号：
作者姓名：
赵梦;于红;李海清;胥婧雯;程思奇;谷立帅;张鹏;韦思学;郑国伟
作者机构：
大连海洋大学 信息工程学院,辽宁省海洋信息技术重点实验室,辽宁大连116023;设施渔业教育部重点实验室 (大连海洋大学) ,辽宁 大连116023
文献出处：
引用格式：
[1]赵梦;于红;李海清;胥婧雯;程思奇;谷立帅;张鹏;韦思学;郑国伟-.融合SKNet与YOLOv5深度学习的养殖鱼群检测)[J].大连海洋大学学报,2022(02):312-319
A类：
鱼群检测,XFishHmMp,FERNet
B类：
SKNet,YOLOv5,养殖鱼,养殖环境,水下成像,失真,检测准确率,融合视觉,视觉注意力机制,selective,kernel,networks,you,only,look,once,UNet,convolutional,biomedical,image,segmentation,合到,Backbone,像素级,特征提取网络,鱼体,识别能力,图像数据集,模型对比,精确率,召回率,检测效果,水下目标检测,目标检测模型,模糊图像,检测和识别,整体效果
AB值：
0.271773
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
