Aug, 2023

评估使用 ROV 辅助的深度学习自动化水产养殖网箱检测

PDF
TL;DR本文提出了一种基于机器人的海水养殖网箱自动损伤检测系统，用于在 ROV 处理过程中和实时检测中检测网的损伤部分，该系统通过 ROV 的载体摄像机获取视频流，采用深度学习检测器，在不同水下条件下将图像的有缺陷部分与背景进行分割，该方法经过测试后表明其高准确性即使在逆境情况下，并且适用于嵌入式平台的实时处理。
发现论文，激发创造
  • 水下自主机器人系统在水产养殖应用中的应用

    发展基于机器人的自动网状缺陷检测系统，用于水产养殖网笼的实时检测和不同缺陷的识别，旨在降低成本，提高质量和操作便利性。

    Aug, 2023

  • 水下船舶检测的多标签视频分类

    通过使用深度学习和计算机视觉技术提出了一种自动化的视频分析系统来改进现有的水下船舶外壳视频检查方法，提出了一种利用 transformers 的自注意机制捕捉连续视频帧中的时空关注的多标签视频分类模型。该方法取得了有前途的结果，并可以作为未来水下视频检查应用的基准。

    May, 2023

  • 水下对接的高效检测与控制系统：基于机器学习和逼真仿真的综合方法

    比较不同的深度学习架构以实现水下对接检测和分类，并使用知识蒸馏压缩具有最佳性能的架构，利用生成对抗网络进行图像转换以模拟真实水下图像，最终评估该方法的成功率并与传统视觉方法进行比较。

    Nov, 2023

  • 一种新的水下图像增强和改进的水下生物检测流程

    本文提出一种基于卷积块注意力模块和自适应全局直方图拉伸算法的水下目标检测方法，以提高水下环境下目标检测的准确性和图像质量，经过对 URPC2021 基准数据集的大量实验和全面评估，证明了该方法的有效性。

    May, 2022

  • 深度迁移学习在贻贝养殖自动化中的浮标检测改进

    使用深度学习方法提高浮标检测和管理的准确性和鲁棒性，通过使用源自新西兰贻贝养殖场的多样化数据集和迁移学习技术，研究表明深度学习通过提高鲁棒性能和跨多样的天气条件进行浮标检测的实际有效性。

    Aug, 2023

  • 利用多阶段深度学习技术进行海洋船舶表面缺陷检测和评估

    本研究提出了一种新的基于深度学习的图像处理系统， 可以自动识别不同类型的船面缺陷并测量其覆盖百分比，结果表明该系统可以客观地执行类似于合格检查员的评估。

    Mar, 2022

  • FishNet：用于低成本鱼类存量估计的深度神经网络

    提出了一种基于计算机视觉的自动化鱼类数量评估系统，该系统能够通过低成本数字相机拍摄的图像进行鱼类分类和尺寸估计，训练模型在手动标注的 50000 张图像数据集上训练，实现了鱼类分割、物种分类和长度估计任务的高精度。

    Mar, 2024

  • 多保真度代理建模与侦测，NARGP，数位孪生，水产网箱，实时监测，图卷积网络

    通过非线性自回归高斯过程方法学习不同保真度模型之间非线性复杂交叉相关性的多保真度代理模型框架，实时监测随机海洋条件下水产养殖网箱结构动力学，有效预测网箱位移和锚链负荷，并可以远程操作无人潜水器，防止潜在损害。

    Jun, 2024

  • DeepSeaNet: 利用 EfficientDet 提升水下物体检测

    该研究使用现有的水下数据集 Brackish-Dataset，评估了多种目标检测模型（包括 EfficientDet，YOLOv5 等）在含盐度高、可见度低的自然复杂环境下的效果，其中，通过修改 EfficientDet 的机制，实现了对抗性干扰下高 Iou 的复杂特征融合，并提供了针对模型黑盒性的类激活映射解释。研究结果表明，修改后的 EfficientDet 在五倍交叉验证下，比其他模型表现更好，具有更高的 IoU。

    May, 2023

  • 使用卷积神经网络和基于注意力的网络进行端到端训练，自动评估拖网渔具中的聚集行为

    本文探讨了如何通过卷积神经网络、注意力机制等深度学习方法来对钓鱼装备周围低能见度环境下的驱鱼行为进行自动分类，并比较了三种不同网络模型在分类精度上的表现。同时，文章也指出了在进行科学数据自动评估时，实验设计的重要性以及训练模型检查的实用性。

    Mar, 2023