Ein neuartiger Algorithmus zur Erkennung von Unterwasserobjekten, der auf YOLOv5‐MH basiert

Zusammenfassung Die Erkennung von Unterwasserobjekten ist eine wichtige Anwendung für Unterwasserfahrzeuge. Traditionelle Algorithmen zur Erkennung von Unterwasserobjekten weisen jedoch in Unterwasserumgebungen mehrere Mängel auf. Dazu gehören ungenaue Merkmalsextraktion, langsame Erkennungsgeschwindigkeiten und fehlende Robustheit. Um diese Mängel zu beheben, wird in diesem Papier ein neuartiger Ansatz basierend auf YOLOv5‐MH (Multi‐Head) vorgeschlagen. Zuerst wird eine Technik zur Bildverbesserung verwendet. Diese Technik nutzt adaptive lineare Zuordnung, um den Kontrast anzupassen und die Qualität von Unterwasserbildern zu verbessern. Zweitens wird das C2f-Modul zur Merkmalsextraktion eingesetzt, um die effektive Erfassung von Objektmerkmalen zu ermöglichen. Anschließend werden die Multi-Head-Selbstaufmerksamkeit und die Koordinatenaufmerksamkeit in das Backbone des Netzwerks integriert. Diese Integration erhöht die Aufmerksamkeit, die den Eingabedaten zuteilwird, und verbessert die Leistungsfähigkeit des Netzwerks bei der Bewältigung komplexer Aufgaben. Darüber hinaus wird eine bidirektionale Merkmalspyramide implementiert, um Objekte unterschiedlicher Skalen und Größen geschickt zu handhaben und die Modellleistung zu steigern. Schließlich zeigt diese Methode durch umfassende Tests im Jahr 2018 auf dem URPC-Datensatz und dem Deep Plastic-Datensatz eine überlegene Leistung. Diese Leistung wird mit dem ursprünglichen YOLOv5 und anderen ähnlichen Netzwerken verglichen. Sie hält enormes Potenzial für praktische Anwendungen in einem breiten Spektrum von Unterwasseraufgaben bereit.