基于RGHS图像增强和改进YOLOv5网络的黄颡鱼目标提取

摘要

针对水下能见度不佳，黄颡鱼目标提取精度低、速度慢等问题，提出了基于相对全局直方图拉伸（RGHS）算法和改进YOLOv5的黄颡鱼目标提取模型。首先，为解决光照不均、噪声大等因素带来的图像质量问题，采用RGHS算法对黄颡鱼图像进行亮度增强。然后，在YOLOv5主干网络中引入C3ghost模块和坐标注意力（CA）机制，在颈部网络中用gnConv替换普通卷积，建立改进YOLOv5模型，提升黄颡鱼目标提取精度。结果表明，改进模型的AP值、准确率、召回率比YOLOv5模型分别提升了2.76%、3.16%、3.1%,F1值提升了0.03，所占内存减少了2.3 MB，单张图片推理时间减少了0.001 s。同时，在与YOLOv4、SSD、Faster-RCNN、YOLOx模型的对比实验中，改进模型的AP值分别提升了3.27%、8.63%、2.48%、2.52%。基于RGHS图像增强的改进YOLOv5模型在保证较快速度的情况下，显著提高了黄颡鱼目标提取精度，可为鱼类状态监测方法的研究提供有益参考。

关键词

计算机应用 / 目标提取 / 亮度增强 / 注意力机制 / 深度学习