陈 伟，魏庆宇，张境锋，郭碧宇

(江苏科技大学 电子信息学院，江苏 镇江 212000)

0 引 言

水下环境中的光学成像比大气环境中的光学成像更复杂，图像存在明显的质量退化问题，基于机器视觉的传统目标检测方法精度与准确率不高[1]。随着数据量的增加与计算机计算能力的增强，传统目标检测方法已被人工智能所取代[2]。近年来，许多基于卷积神经网络的方法被用于水下目标检测的研究。基于SSD[3]、Faster R-CNN[4-6]和YOLO[7-9]的水下目标检测方法在准确性上已经远超传统目标检测算法，即使水下目标物图像质量明显退化，依然能够准确识别，但均没有应用到水下机器人上进行目标检测作业。水下机器人属于嵌入式机器人，计算力不足且存储有限，因此需要一种算力需求小且保证速度与精度的目标检测算法。

RetinaNet是一种单阶段目标检测算法[10]，在保证单级目标高检测速度的基础上，达到甚至超过了两级目标检测精度，对于中小型目标具有较好效果。因此，本文采用RetinaNet作为水下机器人目标检测框架，为进一步提高水下机器人目标检测速度，降低算法运算所需硬件资源，需对RetinaNet进行改进。首先采用DenseNet[11]替代ResNet构建骨干网络，减轻网络重量，其次使用2×2大小的卷积核进行两次卷积代替原始的单次卷积操作，增加感受野并减少参数[12]；最后通过实验验证该算法的运行速度与检测精度。

1 基于RetinaNet的目标检测方法研究

1.1 RetinaNet

RetinaNet是一种单阶段目标检测算法，解决了单阶段目标检测中速度快但精度不高的问题[13]。……