基于改进Cascade R-CNN和图像增强的夜晚鱼类检测

张明华 龙 腾 宋 巍 黄冬梅,2 梅海彬 贺 琪,3

(1.上海海洋大学信息学院， 上海 201306； 2.上海电力大学电子与信息工程学院， 上海 200090；3.大洋渔业资源可持续开发教育部重点实验室， 上海 201306)

0 引言

在水产养殖和海洋捕捞方面，需要对鱼类进行目标检测[1]。随着深度学习的应用广泛，利用深度学习对鱼类进行目标检测逐步成为目前的研究热点。在水下鱼类目标检测中引入深度学习方法，可以节省大量人力物力，提高工作效率。对鱼类的养殖、鱼类行为的研究、鱼类活动能力的评估也有着重要的研究意义[2-6]。

目前，一些较为成熟的目标检测方法并不能很好地适用于夜晚水下环境。这是由于夜晚水下环境光照不均，水下光线散射及水体对光线的吸收导致图像场景阴暗、模糊不清，影响了鱼类目标检测效果[7]。LI等[8]使用Faster R-CNN，对水中小型鱼类进行检测，精度达到89.95%。SUNG等[9]将YOLO网络模型用于白天水下环境，对鱼类进行目标检测，得到较好的检测精度。以上方法的实验环境均在光线较好、图像清晰的条件下进行，而在光照不均、噪声过大、拍摄质量不高的夜晚水下环境中，目标检测效果并不理想。

Cascade R-CNN[10]由Faster R-CNN[11]改进而来，是一种多阶段目标检测模型，通过级联的方式设置不同的IoU阈值，对检测目标进行多次校正，使其在图像质量较差的环境中，依旧保持较高的检测精度。

对于夜晚水下环境图像质量较差的问题，可以通过图像增强的方法予以改善。目前主流的图像增强算法包括多尺度Retinex(Multi-scale Retinex，MSR)[12]和具……