融合边缘监督的改进Deeplabv3+水下鱼类分割方法

水下环境鱼类分割是实现体长测量、体重估算和群体计数等智能化测量的关键技术,为了提高分割的准确性,提出一种融合边缘监督的改进Deeplabv3+鱼类分割方法.编码部分采用更少的下采样次数,浅层增加卷积块注意力机制(convolutional block attention module,CBAM),以减少信息丢失并增强浅层语义信息;通过设计混合膨胀卷积(hybrid dilated convolution,HDC)改进空洞空间卷积池化金字塔(atrous spatial pyramid pooling,ASPP)模块,提取深层特征;在解码输出部分结合Canny边缘检测算子引入边缘监督,通过边缘损失函数来获得边缘预测和边缘标签的误差以更好地学习边缘特征;最后根据不同类像素比率引入优化的损失函数,进一步提升模型的语义分割性能.该方法在VOC2012数据集上mIoU达到84.56％,较Deeplabv3+方法提升了 3.27％,验证了其泛化能力.在DeepFish数据集上做消融实验,mIoU高达93.66％,均高于Deeplabv3+、Unet和PSPNet等常见方法.该研究提升了水下环境鱼类分割的精度,可为水产养殖智能化提供支持.