1. 项目背景与核心价值

水下机器人目标识别是当前海洋工程与计算机视觉交叉领域的前沿课题。传统水下图像处理方法受限于水体散射、光照不均和低对比度等问题，识别准确率往往难以突破70%阈值。我们团队通过引入改进的YOLOv5架构结合水下图像增强模块，在自建数据集上实现了91.3%的mAP指标。

这个毕设项目的独特之处在于：

• 构建了包含8类典型水下目标的专属数据集（珊瑚/沉船/海洋生物等）
• 设计了基于物理模型的光照补偿预处理流水线
• 创新性地将通道注意力机制融入检测网络颈部结构
• 开发了适用于嵌入式设备的模型量化方案

2. 关键技术实现路径

2.1 数据采集与增强方案

使用ROV机器人搭载4K摄像机组，在东海海域不同能见度条件下采集了12,000+原始视频帧。针对水下图像特有的蓝绿色偏问题，我们采用以下处理流程：

def underwater_enhance(img): # 基于暗通道先验的去雾处理 dark = cv2.min(cv2.split(img)) atm_light = np.percentile(dark, 99) transmission = 1 - 0.95 * (dark / atm_light) # 颜色校正矩阵 correction_mat = np.array([ [1.2, -0.3, 0.1], [-0.1, 1.4, -0.2], [0.05, -0.2, 1.1] ]) return cv2.transform(img, correction_mat) / transmission

2.2 网络架构改进要点

在YOLOv5s基础上进行三项关键改进：

1. 多尺度特征融合增强在Neck部分引入CBAM模块，计算过程：

   Channel_Attention = σ(MLP(AvgPool(F)) + MLP(MaxPool(F))) Spatial_Attention = σ(Conv([AvgPool(F); MaxPool(F)]))

2. 针对小目标的浅层特征强化增加P2特征层输出，与原有P3-P5构成四级检测体系

3. 动态正样本匹配策略采用Task-Aligned Assigner替代传统IOU匹配

3. 模型训练与优化

3.1 训练参数配置

使用4台RTX3090组成分布式训练集群，关键配置：

hyperparameters: lr0: 0.01 # 初始学习率 lrf: 0.2 # 最终学习率系数 momentum: 0.937 weight_decay: 0.0005 warmup_epochs: 3 batch_size: 64

3.2 数据增强策略

设计专属的Mosaic增强组合：

• 50%概率应用水下散射模拟
• 随机添加人工气泡噪声
• 动态调整蓝绿通道直方图

4. 部署与性能测试

4.1 嵌入式部署方案

使用TensorRT对模型进行INT8量化，在Jetson Xavier NX上的性能表现：

4.2 实际海域测试结果

在舟山海域进行的72小时连续测试中：

• 平均识别准确率：89.7%
• 误检率：<2.3%
• 系统功耗：18W@5V

5. 毕设答辩要点建议

1. 技术亮点阐述

   • 对比传统方法（如SIFT+SVM）的指标提升
   • 展示不同能见度条件下的鲁棒性测试视频

2. 创新点说明

   • 通道注意力机制对水下目标的特异性增强效果
   • 量化方案在精度与效率间的平衡策略

3. 演示技巧

   • 准备实时检测演示系统（建议使用PyQt开发界面）
   • 制作网络结构动态可视化动画

关键提示：答辩时应重点说明工程落地价值，包括在海洋牧场监测、水下考古等场景的应用潜力。建议准备3-5个典型检测失败案例并分析原因，展现全面的技术思考。

6. 常见问题解决方案

Q1：训练时出现NaN损失值

• 检查数据标注是否存在越界框
• 降低初始学习率并启用梯度裁剪
• 添加BN层后立即冻结其参数

Q2：小目标检测效果不佳

• 在数据增强中增加小目标复制粘贴策略
• 调整anchor box尺寸匹配目标分布
• 使用NWD损失替代传统IOU损失

Q3：嵌入式部署时精度骤降

• 检查校准集是否具有代表性
• 尝试QAT（量化感知训练）
• 调整TensorRT的dynamic range参数

在实际项目开发中，我们发现水下环境的光照变化对模型鲁棒性影响最大。建议在数据采集阶段就建立完整的光照条件元数据，这对后续模型微调至关重要。