袁利毫, 昝英飞, 钟声华, 祝海涛
YUAN Li-hao, ZAN Ying-fei, ZHONG Sheng-hua, ZHU Hai-tao
摘要:
针对智能水下机器人作业时小目标自主识别的需求,提出基于深度学习的YOLOv3算法,通过对水下机器人实采数据进行神经网络权重训练,实现对水下小目标物快速、精确的识别与分类,从而解决在复杂的水下地形和未知作业环境中对水下目标识别问题。并分析算法学习率在水下海珍品数据集上对损失函数值的影响。实验结果表明,基于YOLOv3算法的水下海珍品的目标〖JP〗检测具有强实时性与高准确率,所有目标类别查准率高达99%,物体的查全率在90%以上,可达35帧/秒的检测速率;在网络训练过程中调整学习率有利于加速并降低损失函数值。
中图分类号: