基于颜色线图像增强与改进YOLOv7模型的海水养殖生物目标检测研究

本文提出融合颜色线模型图像增强与改进YOLOv7的检测方法，通过惯性线性化交替方向乘子法（ILADMM）优化透射率求解，结合自适应通道注意力与空间补充注意力双机制，在自建海水养殖数据集（4类5455张图像）上实现87.4% mAP@0.5与49.3 FPS的检测性能，为水下生物实时监测提供关键技术支撑。

　　

亮点

• 基于獐子岛养殖基地构建包含海胆、海参、扇贝、海星四类生物的水下图像数据集（5455张图像），部分由遥控水下机器人（ROV）拍摄。

• 改进颜色线模型的水下图像增强算法，通过引入加权矩阵G（惯性近端点算法PPA）和Nesterov惯性思想，实现透射率计算的全局收敛加速。

• 提出融合自适应通道注意力与空间补充注意力的双注意力机制，兼顾语义信息流与空间信息流，提升多尺度目标特征提取能力。

水下图像数据集采集

我们在獐子岛养殖基地构建的水下图像数据集涵盖四类典型养殖生物：海胆（echinus）、海参（holothurian）、扇贝（scallop）和海星（starfish）。所有图像均在距目标2米处拍摄（分辨率1920×1080），部分图像截取自ROV拍摄的水下视频。

水下图像增强

如图2所示，水体对光的吸收和散射导致图像出现雾化退化与颜色偏差。本研究基于颜色线模型提出增强方法（图3）：首先采用同态滤波（Homomorphic filtering）校正色偏，结合四叉树法（Quadtree）估计背景光强度，再通过ILADMM算法优化透射率求解，最终实现清晰化处理。

水下目标检测

改进的YOLOv7模型引入双注意力机制：自适应通道注意力通过双池化流（最大池化与平均池化）自适应加权通道特征，空间补充注意力则通过空间卷积捕获位置信息，二者协同增强模型对养殖生物的多尺度特征学习能力。损失函数采用CIoU损失优化边界框回归精度。

实验与分析

图像增强实验从定性（视觉效果）与定量（UIQM、UCIQE指标）验证了本方法的优越性。目标检测实验表明：在增强后数据集上，改进YOLOv7的mAP@0.5达87.4%，较基线模型提升5.2%；双注意力模块使小目标检测召回率提升9.7%。在URPC2018公开数据集上的跨域测试进一步验证了方法的泛化性。

结论

本研究通过物理模型驱动的水下图像增强与双注意力机制改进的YOLOv7模型，有效解决了海水养殖环境中图像退化与生物目标检测精度低的难题，为智能化养殖监测提供了可靠的技术方案。