基于图像增强算法与改进Faster R-CNN的海洋养殖网箱生物污损生物检测技术研究

针对海洋养殖网箱生物污损人工清理效率低下的问题，研究人员提出融合GWA-MSRCR图像增强算法与改进Faster R-CNN（ResNeXt50+CBAM模块）的智能检测技术。实验表明，改进模型平均精度（AP）达94.27%，较原模型提升10.31%，权重文件缩小80%，在IoU=0.5时mAP值显著优于YOLOv8/YOLOv5等主流算法，为水下无人机自动化清理提供了关键技术支撑。

　　

海洋养殖网箱长期面临生物污损的严峻挑战，藻类、海葵和牡蛎等附着生物会堵塞网孔，影响水体交换和养殖生物生长。传统人工清理方式效率低下且成本高昂，而水下无人机（AUV）自动化清理的核心难点在于复杂水下环境中生物污损的精准识别。现有检测技术存在图像色偏、低对比度和目标遮挡等问题，传统机器学习方法如支持向量机（SVM）和随机森林（RF）难以应对，而主流深度学习模型在检测精度和实时性上仍需优化。这项发表在《Smart Agricultural Technology》的研究，通过创新性融合计算机视觉与深度学习技术，为这一领域提供了突破性解决方案。

研究团队主要采用四大关键技术：1）基于ROVMAKER Edge水下无人机采集768×432像素的网箱附着生物RGB图像；2）开发GWA-MSRCR算法（灰度世界假设+多尺度Retinex色彩恢复）进行图像增强；3）构建含2500张标注图像的PASCAL VOC格式数据集；4）改进Faster R-CNN模型，采用ResNeXt50（Cardinality=32分组卷积）替代VGG16主干网络，集成卷积注意力模块（CBAM），并优化锚框比例（1:2/1:1/2:1/3:1）和尺寸（2/4/8/16）。

【材料与方法】

研究在浙江宁波象山养殖基地开展，通过水下无人机在3米水深内采集800张原始图像。图像增强阶段，GWA-MSRCR算法通过通道归一化和HSV空间亮度分解，使PSNR提升至64.56dB。数据集经水平翻转、90°旋转扩增至2500张，按4:1划分训练测试集。

【检测模型改进】

改进的Faster R-CNN模型在ResNeXt50每个残差模块后加入CBAM双注意力机制（通道注意力Mc和空间注意力Ms），通过式(8)-(11)的Hadamard乘积实现特征强化。锚框优化采用K-means聚类分析，将IoU阈值设置为0.4时获得最佳F1-score（86.71%）。

【结果与评估】

在RTX 4080硬件平台上，改进模型取得突破性性能：

1. 1.

   五折交叉验证显示各折AP差异<4.04%，证明模型稳定性；

2. 2.

   相比原Faster R-CNN，AP提升10.31%至94.27%，权重文件从494.43MB缩减至115.97MB；

3. 3.

   在IoU=0.5时mAP达93.14%，显著超过YOLOv8（67.77%）和Mask R-CNN（91.97%）；

4. 4.

   GWA-MSRCR增强数据集使AP提升11.72%，验证图像预处理对模型性能的关键影响。

【结论】

该研究创新性地将传统图像处理与深度学习相结合，提出的技术方案具有三大显著优势：1）ResNeXt50+CBAM架构有效捕捉水下小目标特征，AP提升5.89%；2）动态锚框设计使检测框贴合生物实际形态；3）GWA-MSRCR算法解决水下图像色偏和低照度问题。相比?ura?等学者采用的YOLOv6模型，本方案在检测精度上实现质的飞跃，为海洋养殖装备智能化提供了可靠的技术范式。未来研究可拓展至多物种检测和浊度自适应模型开发，进一步推动水产养殖业的数字化转型。