关键词:
水下目标识别
轻量化
YOLOv8
嵌入式系统
自动化
摘要:
在水下目标识别任务中提出高精度、轻量化、实时性好的自动识别方法对军事安全、海洋资源开发等领域具有重要意义。本文针对模拟水雷目标建立了数据集,并对YOLOv8模型进行了轻量化改进,最后设计了基于机器学习的水下目标智能识别系统。
首先针对市面上没有水雷目标数据集的问题,制作了4种水雷目标模型,对水雷模型进行水下图像采集,并进行人工高精度标记。针对水下光学成像受到散射和吸收作用导致对比度低,成像模糊问题。通过ACE图像增强技术,自适应提升对比度,使图像颜色更均匀,改善图像质量。为了提升数据集的抗干扰性和泛化能力。在数据集中使用多种图像预处理技术,并且添加了大量海洋环境噪声图片。此方法为模型高精度识别提供了有效的数据集。
其次为了实现水下目标的高精度,轻量化识别,本文设计了基于注意力机制的轻量化YOLOv8水下目标识别算法。在主干网络中使用SPDconv模块替换标准卷积模块,提高计算效率。加入PSA注意力机制,在通道和空间维度上进行特征的极化滤波和增强,提升像素级预测精度。引入SCDown下采样机制,通过将空间和通道的操作解耦,降低了计算成本。使用MPDIoU损失函数,加速边界框收敛速度,提高边界框回归的准确率。在RUOD和URPC2020数据集上,SPSM-YOLOv8相比基线模型,检测精度达到87.3%和76.4%,参数量和计算量分别下降4.3%、4.9%,每秒检测帧数达到210帧。在自制水雷目标Target Data数据集中推理,识别精度达到了98%。满足水下目标检测算法的高精度及边缘部署轻量化和实时性要求。
最后针对嵌入式水雷目标识别系统精度低,实时性差,自动化程度低的问题。设计了一套待载式的水雷目标识别系统。首先为了使相机清晰的拍摄目标图像,设计了自适应激光照明模块。系统能根据背景亮度及水深自动调节照明光源亮度。为了使各个模块正常工作,设计了STM32控制板卡。其次为了在边缘计算机上完成计算,Jetson加载了轻量化改进的SPSM-YOLOv8模型。最后为了完成目标位置信息报告,设计了标记装置。当系统识别到目标时,标记装置自动脱离,浮出水面,利用北斗卫星发送位置信息。经过现场实验,软硬件联调测试,各项功能正常。能够针对水雷目标进行识别。室内统计识别精度达到91%,室外统计识别精度达到85%,帧频可达到20Hz。表明此水下目标智能识别系统能够对水雷目标进行高精度,实时性,自动化识别。