楊謝柳，門國文，梁文峰，王 丹，謝正義，范慧杰

（1.沈陽建筑大學(xué) 機械工程學(xué)院，沈陽 110168；2.中國科學(xué)院沈陽自動化研究所 機器人學(xué)國家重點實驗室，沈陽 110016）

0 概述

近年來，隨著人口的不斷增加，陸地資源日漸緊缺，擁有豐富礦產(chǎn)、生物等資源的海洋成為各國開發(fā)的重點。由于水下環(huán)境的特殊性，人類無法長時間水下作業(yè)，因此水下機器人成為完成水下任務(wù)的主要工具。借助視覺方法自動感知水下環(huán)境、判斷目標位置和類別等信息，是水下機器人自動完成水下任務(wù)的一種重要途徑。隨著深度學(xué)習(xí)的快速發(fā)展，基于深度學(xué)習(xí)的目標檢測方法因其速度快、精度高而被廣泛應(yīng)用于水下機器人。

水及水中的懸浮顆粒會對光線產(chǎn)生吸收和散射作用，且吸收和散射程度因波長而異，使得水下可見光圖像往往存在顏色失真、模糊、對比度低、信噪比小等問題。為恢復(fù)顏色正常且清晰的水下圖像，大量的水下圖像增強復(fù)原方法被提出。水下圖像增強復(fù)原方法雖然能夠改善圖像視覺質(zhì)量、提高局部特征點匹配、輪廓檢測等低層次視覺任務(wù)的精度［1-3］，但是對目標檢測和識別等高層次視覺任務(wù)的影響并不明確。因此，研究水下圖像增強復(fù)原方法對基于深度學(xué)習(xí)的水下目標檢測精度的影響是非常必要的。

本文使用10 種傳統(tǒng)的和4 種基于深度學(xué)習(xí)的水下圖像增強復(fù)原方法對數(shù)據(jù)集進行處理，利用3 種典型的基于深度學(xué)習(xí)的目標檢測方法（YOLOv5、SSD 和Faster R-CNN）進行目標檢測，在水下機器人采摘大 賽（Underwater Robotic Picking Contest，URPC）2018 和URPC2019 數(shù)據(jù)集上進行單域和混合域?qū)嶒灒接懏斢?xùn)練集和測試集均屬同一數(shù)據(jù)集時水下圖像增強復(fù)原方法對深度學(xué)習(xí)目標檢測精度影響。通過自建數(shù)據(jù)集進行測試實驗，分析跨數(shù)據(jù)集檢測時水下圖像增強復(fù)原方法對深度學(xué)習(xí)目標檢測精度的影響。

1 相關(guān)工作

1.1 水下圖像增強復(fù)原

目前，提升水下圖像質(zhì)量的方法可分為基于水下光學(xué)成像模型的圖像復(fù)原方法和與光學(xué)成像模型無關(guān)的圖像增強方法2 類。圖像復(fù)原方法通過逆向求解水下光學(xué)成像模型參數(shù)來獲得清晰圖像，而圖像增強方法通過調(diào)整圖像像素值來提高圖像視覺質(zhì)量。

在水下圖像復(fù)原方面，為實現(xiàn)水下光學(xué)成像模型的逆向求解，許多先驗假設(shè)已被提出，常用的有暗通道先驗（Dark Channel Prior，DCP）［4］、紅通道先驗（Red Channel Prior，RCP，）［5］、水下暗通道先驗（Underwater Dark Channel Prior，UDCP）［6］、水下光衰減先驗（Underwater Light Attenuation Prior，ULAP）［7］、模糊先驗（Blurriness Prior，BP）［8］、最大強度先驗（Maximum Intensities Prior，MIP）［9］、圖像模糊與光吸收（Image Blurriness and Light Absorption，IBLA）先驗［10］等。隨著深度學(xué)習(xí)的不斷發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)也逐漸被用于水下圖像復(fù)原，包括利用卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)深度圖的提?。?1］、背景光估計及端到端的水下圖像復(fù)原［12-13］等。

在水下圖像增強方面，白平衡方法經(jīng)常被用于水下圖像的色彩校正［14-15］，直方圖拉伸常被用于改善水下圖像的視覺效果［16-17］，通過在頻域內(nèi)增強高頻信號抑制低頻信號也可提升水下圖像的視覺效果［18-19］。深度學(xué)習(xí)在水下圖像增強方面也逐漸得到應(yīng)用，主要可分為基于卷積神經(jīng)網(wǎng)絡(luò)的增強方法［20-21］和基于生成對抗網(wǎng)絡(luò)的增強方法［2，22-24］。

傳統(tǒng)的水下圖像增強復(fù)原方法原理簡單易于實現(xiàn)，但容易產(chǎn)生人工噪聲、過度增強等問題?；谏疃葘W(xué)習(xí)的圖像增強復(fù)原方法能夠從大量數(shù)據(jù)中自動學(xué)習(xí)水下圖像與增強圖像之間的映射關(guān)系，但是理想圖像缺失是基于深度學(xué)習(xí)的水下圖像增強復(fù)原方法面臨的主要困難。

1.2 基于深度學(xué)習(xí)的目標檢測模型

根據(jù)是否有區(qū)域候選框生成網(wǎng)絡(luò)，基于卷積神經(jīng)網(wǎng)絡(luò)的目標檢測模型可分為兩階段目標檢測模型和單階段目標檢測模型。目前，典型的兩階段目標檢測模 型主要有R-CNN、SPP-Net、Fast R-CNN、Faster R-CNN、FPN、Mask R-CNN 等，單階段目標檢測模型主要有YOLO 系列、SSD、RetinaNet、RefineDet等。其中，R-CNN、Fast R-CNN、Faster R-CNN、YOLO系列、RetinaNet 等已被用于水下目標的檢測［25-27］。兩階段目標檢測模型的檢測精度更高，一階段目標檢測模型的檢測速度更快，但YANG 等［27］在URPC數(shù)據(jù)集上進行的對比實驗結(jié)果表明，YOLOv3 的檢測精度和檢測速度均優(yōu)于Faster R-CNN。

1.3 水下圖像增強復(fù)原對深度學(xué)習(xí)目標檢測精度的影響

在基于深度學(xué)習(xí)的目標檢測中，水下圖像增強復(fù)原方法可通過圖像預(yù)處理方式或數(shù)據(jù)增強方式參與訓(xùn)練。數(shù)據(jù)增強方式是指將增強或復(fù)原后的圖像和原圖像同時參與模型訓(xùn)練。圖像預(yù)處理方式是指用增強或復(fù)原后的圖像代替原圖像進行訓(xùn)練。

CHEN 等［28］對URPC 數(shù)據(jù)集中的各訓(xùn)練圖像隨機使用限制對比度的自適應(yīng)直方圖均衡（CLAHE）、IAASharpen、IAAEmboss 和 Random Brightness Contrast 4 種增強方法中的一種進行增強預(yù)處理，利用Faster R-CNN 進行目標檢測，發(fā)現(xiàn)使用增強方法進行預(yù)處理后MSCOCO 的mAP 指標提高0.3 個百分點，mAP50指標提高0.6 個百分點。

CHEN 等［29］在URPC2018 數(shù)據(jù)集上使用基于濾波和生成對抗網(wǎng)絡(luò)的圖像增強復(fù)原方法對圖像進行處理，使用單階段目標檢測模型SSD、RetinaNet、RefineDet 和DRN 進行目標檢測，探討水下圖像增強復(fù)原對深度學(xué)習(xí)目標檢測精度的影響。實驗結(jié)果表明，水下圖像增強復(fù)原方法無論作為圖像預(yù)處理方法還是圖像增強方法都無法提高深度學(xué)習(xí)目標檢測精度，但是實驗只在單階段目標檢測模型上對2 種水下圖像增強復(fù)原方法進行對比，更多類型的目標檢測模型和水下圖像增強復(fù)原方法是否也支持上述結(jié)論仍待進一步研究。

PENG 等［30］采 用GDCP、IBLA、Water-Net 和UWCNN 4 種水下圖像增強復(fù)原方法對URPC2019數(shù)據(jù)集進行處理，使用單階段目標檢測模型YOLOv5 進行目標檢測，研究增強復(fù)原方法對目標檢測精度的影響。其結(jié)論為圖像增強復(fù)原方法作為預(yù)處理方法不能提高深度學(xué)習(xí)目標檢測精度，但作為數(shù)據(jù)增強方法可以提高深度學(xué)習(xí)目標檢測精度。該結(jié)論與CHEN 等［29］的結(jié)論存在矛盾之處。

2 數(shù)據(jù)處理與目標檢測模型

該部分將對實驗中所使用的水下圖像數(shù)據(jù)集、14 種典型的水下圖像增強復(fù)原方法和3 種基于卷積神經(jīng)網(wǎng)絡(luò)的目標檢測模型進行介紹。

2.1 數(shù)據(jù)集

卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練需要大量的數(shù)據(jù)，但現(xiàn)有用于水下目標檢測的數(shù)據(jù)集比較少。本文所使用的數(shù)據(jù)集 是URPC2018 和URPC2019。URPC2018 數(shù)據(jù)集共包含3 641 張圖像，包括海星、海參、扇貝和海膽4 種海洋生物。該數(shù)據(jù)集中的圖像具有較嚴重的色偏、圖像模糊且對比度低，因此，在該數(shù)據(jù)集上研究水下圖像復(fù)原與增強算法對目標檢測精度的影響是合適的。在實驗中按比例7∶1∶2 劃分數(shù)據(jù)集，2 548 張圖像用于訓(xùn)練、361 張圖像用于驗證和732 張圖像用于測試。URPC2019 數(shù)據(jù)集只是在URPC2018 數(shù)據(jù)集的基礎(chǔ)上新增了1 056 張圖像，實驗中按比例7∶1∶2 劃分數(shù)據(jù)集，訓(xùn)練集3 288 張、驗證集470 張和測試集939 張。

2.2 水下圖像增強復(fù)原方法

本文選取14 種典型的水下圖像增強復(fù)原方法進行實驗，包含6 種圖像復(fù)原方法DCP［4］、UDCP［6］、MIP［9］、ULAP［7］、GB［31］和IBLA［10］，以及8 種圖像增強方 法 ICM［32］、HE［33］、CLAHE［34］、UCM［16］、UWCNN［20］、Water-Net［21］、FUnIE-GAN［23］和UIEDAL［24］。其中，UWCNN、Water-Net、FUnIE-GAN 和UIE-DAL 是基于深度學(xué)習(xí)的方法，其他是傳統(tǒng)方法。上述增強復(fù)原方法對水下圖像的處理結(jié)果如圖1 和圖2 所示（彩色效果見《計算機工程》官網(wǎng)HTML版）。Water-Net 和UCM 對色偏校正和對比度提高都有明顯效果，CLAHE 和ICM 在對比度提升方面有一定的效果，HE 能夠在一定程度上提高對比度，但同時引入紅顏色色偏。

圖1 原圖1 的增強復(fù)原圖像Fig.1 Enhancement restoration images for original image 1

圖2 原圖2 的增強復(fù)原圖像Fig.2 Enhancement restoration images for original image 2

2.3 目標檢測模型

本文將使用單階段目標檢測模型YOLOv5 和SSD，以及兩階段目標檢測模型Faster R-CNN 進行水下目標檢測。網(wǎng)絡(luò)模型的優(yōu)化器均為SGD。網(wǎng)絡(luò)模型的主干網(wǎng)絡(luò)和參數(shù)設(shè)置如表1 所示。

表1 目標檢測模型的主要參數(shù)Table 1 Main parameters of object detection models

3 實驗與討論

本文實驗所使用電腦的主要配置如下：內(nèi)存32 GB、Intel?CoreTMi7-9700K CPU 和NVIDIA GeForce RTX 2070 SUPER GPU（8 GB）。第3.1 節(jié)和第3.2 節(jié)所用的數(shù)據(jù)集為URPC2018，第3.3 節(jié)所用的數(shù)據(jù)集為URPC2019。對所有的檢測模型都進行了充分訓(xùn)練，均使用mAP 作為目標檢測精度的評價指標。

增強復(fù)原處理會導(dǎo)致圖像的數(shù)據(jù)域發(fā)生變化［29］，因此本文將同類圖像作為單域圖像，如原始圖像為單域圖像，經(jīng)同一增強或復(fù)原方法處理后的圖像也屬于單域圖像。訓(xùn)練域和測試域不相同時稱為交叉域測試。交叉域測試示意圖如圖3 所示。根據(jù)訓(xùn)練集混合方式的不同，將混合圖像數(shù)據(jù)集分為完全混合域、二類混合域和加倍二類混合域。

圖3 交叉域測試示意圖Fig.3 Schematic diagram of cross-domain test

3.1 單域訓(xùn)練同域及交叉域測試

在本實驗中，通過在單域圖像上訓(xùn)練、在同域及交叉域圖像上測試，驗證增強復(fù)原方法對目標檢測精度的影響。

1）使用YOLOv5、Faster R-CNN 和SSD 3 種目標檢測模型在原始圖像和各增強復(fù)原方法處理后的單域圖像上分別進行模型訓(xùn)練，得到3×（14+1）=45 個訓(xùn)練模型。

2）圖4 所示為YOLOv5 模型在示例圖像上的檢測結(jié)果。對上述45 個訓(xùn)練模型進行同域測試，記為實驗A，實驗結(jié)果如表2 所示。為簡化表示，將原始圖像訓(xùn)練模型同域測試的mAP 記為mAP_baseline。在3 種目標檢測模型上mAP_baseline 分別為75.1%、74.2%和71.1%，高于所有增強復(fù)原圖像訓(xùn)練模型同域測試的mAP。

表2 單域訓(xùn)練同域測試結(jié)果Table 2 Results of single-domain training and same-domain test %

圖4 YOLOv5 同域檢測結(jié)果的對比Fig.4 Comparison of YOLOv5 in the same-domain detection results

3）使用原始圖像測試集對上述45 個訓(xùn)練模型進行交叉域測試，記為實驗B，實驗結(jié)果如表3 所示。對于原始圖像訓(xùn)練的模型，該實驗依然為同域測試實驗，因此結(jié)果與表2 相同。從表3 可以看出，在交叉域測試實驗中所有訓(xùn)練模型的mAP 較同域測試的mAP 有大幅下降，也均低于mAP_baseline。

表3 單域訓(xùn)練原始圖像交叉域測試結(jié)果Table 3 Results of single-domain training and original image cross-domain test %

4）在原始圖像訓(xùn)練的模型上對各增強復(fù)原圖像測試集進行交叉域測試，記為實驗C，結(jié)果如表4 所示。MIP增強復(fù)原方法在3種目標檢測模型上的mAP分別為74.6%、71.6%和69.6%，但仍低于mAP_baseline。

表4 原始圖像訓(xùn)練模型增強復(fù)原圖像交叉域測試結(jié)果Table 4 Results of original image training model and enhancment restoration image cross-domain test %

3.2 混合域訓(xùn)練

為更加全面地研究水下圖像增強復(fù)原對目標檢測算法性能的影響，本文采用原始圖像和增強復(fù)原圖像組成不同類型的混合域圖像數(shù)據(jù)集，對3 種目標檢測算法進行訓(xùn)練和測試。

3.2.1 完全混合域

從原始圖像訓(xùn)練集和14 種增強復(fù)原圖像訓(xùn)練集中各隨機選取1/15 的圖像，從每個數(shù)據(jù)集中選取的圖像不重復(fù)，組成1 個圖像數(shù)量不變的混合訓(xùn)練集，稱為完全混合域圖像。本文采用完全混合域?qū)ι鲜? 種目標檢測模型進行訓(xùn)練，對原始圖像測試集及各增強復(fù)原圖像測試集分別進行測試，記為實驗D，測試結(jié)果如表5 所示。從表5 可以看出，與單域訓(xùn)練交叉域測試相比，由于完全混合域的訓(xùn)練圖像類型更多，其測試mAP 更加集中，因此mAP 最小值遠大于單域訓(xùn)練交叉域測試中mAP 的最小值。3 種目標檢測模型在原始圖像測試集上的mAP 分別為73.4%、71.3%和69.7%，仍高于所有增強復(fù)原圖像測試集的結(jié)果，但完全混合域訓(xùn)練的模型在各類測試集上的mAP 均低于測試集所在域的單域訓(xùn)練同域測試mAP。

表5 在完全混合域上的測試結(jié)果對比Table 5 Comparison of test results on fully mixed-domains %

3.2.2 二類混合域

由于YOLOv5、Faster R-CNN 和SSD 3 種深度學(xué)習(xí)目標檢測模型在前述實驗中的表現(xiàn)是基本一致的，因此后續(xù)僅使用YOLOv5 進行實驗。

將原始圖像訓(xùn)練集中的圖像隨機選取1/2，再分別從14 種增強復(fù)原圖像的訓(xùn)練集中各選取1/2（與原始圖像訓(xùn)練集中選取的圖像不重復(fù)），將原始圖像中選取的圖像分別與14 種增強復(fù)原圖像中選取的圖像進行混合，組成14 個混合訓(xùn)練集，每個訓(xùn)練集稱為1 個二類混合域。本文分別使用這14 個二類混合域?qū)OLOv5 進行訓(xùn)練，采用與訓(xùn)練集圖像類型相同的2 種測試集分別進行測試，記為實驗E，結(jié)果如表6 所示。

表6 在二類混合域上的測試結(jié)果對比Table 6 Comparison of test results on two-class mixed domains %

從表6 可以看出，原始圖像測試集的mAP 依舊高于增強復(fù)原圖像測試集的mAP，與完全混合域訓(xùn)練模型測試的mAP 相比，無論是增強復(fù)原圖像還是原始圖像，二類混合域的mAP 均有提升。

3.2.3 在URPC2018 數(shù)據(jù)集上的加倍二類混合域

將原始圖像訓(xùn)練集分別與14 種增強復(fù)原圖像的訓(xùn)練集進行合并，組成14 個圖像數(shù)量加倍的混合訓(xùn)練集，稱為加倍二類混合域。同時，將原始圖像訓(xùn)練集原樣復(fù)制，生成圖像數(shù)量加倍的原始圖像訓(xùn)練集。訓(xùn)練和測試過程與二類混合域相同，記為實驗F，測試結(jié)果如表7 所示。一方面，二倍原始圖像訓(xùn)練集的測試mAP 比單倍原始圖像訓(xùn)練集的mAP 有所下降，說明訓(xùn)練數(shù)據(jù)重復(fù)對提高檢測精度無益；另一方面，與二類混合域訓(xùn)練模型測試的mAP相比，在加倍二類混合域訓(xùn)練的模型上，增強復(fù)原圖像測試的mAP 除CLAHE 方法以外，其他方法的mAP 均有提升，原始圖像測試的mAP 除DCP、ULAP和Water-Net 方法以外，其他方法測試mAP 也均有提升。在所有14 種增強復(fù)原方法的加倍二類混合域訓(xùn)練模型中，只有MIP 方法的訓(xùn)練模型在原始圖像上的測試mAP 略高于單倍原始圖像訓(xùn)練模型的同域測試mAP，提高0.1 個百分點。

表7 在加倍二類混合域上的測試結(jié)果對比Table 7 Comparison of test results on doubling the two-class mixed domain %

3.3 在URPC2019 數(shù)據(jù)集上的加倍二類混合域

本文將在URPC2019 數(shù)據(jù)集上驗證上述加倍二類混合域?qū)嶒灲Y(jié)論，為減少計算量，在上述14 種增強復(fù)原方法中隨機選取9 種對數(shù)據(jù)集進行處理，包 括Water-Net、IBLA、UWCNN、MIP、ICM、GB、CLAHE、UCM 和UDCP，然后與原始圖像訓(xùn)練集組成9 個加倍二類混合域，用YOLOv5 進行訓(xùn)練和測試，記為實驗G，結(jié)果如表8 所示。YOLOv5 在單倍原始圖像訓(xùn)練集上的同域測試mAP 為83.7%，可見，二倍原始圖像訓(xùn)練集的測試mAP 相比單倍原始圖像訓(xùn)練集的測試mAP 有所下降，同時，在所有9 種增強復(fù)原方法的加倍二類混合域訓(xùn)練模型中，只有UCM 和UDCP 方法的訓(xùn)練模型在原始圖像上的測試mAP（83.9%、84.1%）略高于單倍原始圖像訓(xùn)練模型的同域測試mAP，分別提高0.2 和0.4 個百分點。

表8 在URPC2019 數(shù)據(jù)集上加倍二類混合域上的測試結(jié)果對比Table 8 Comparison of test results on the doubling the two-class mixed domain on the URPC2019 dataset %

3.4 跨數(shù)據(jù)集測試

為研究增強復(fù)原處理方法對跨數(shù)據(jù)集檢測精度的影響，本文從網(wǎng)絡(luò)中搜集570 張水下圖像并進行標注，建立了跨數(shù)據(jù)集測試集，示例圖像如圖5 所示（彩色效果見《計算機工程》官網(wǎng)HTML 版）。該測試集包括海星317 個、海 參251 個、扇 貝55 個、海 膽244 個。與URPC2018 數(shù)據(jù)集相比，該測試集中模糊、色偏等退化現(xiàn)象較輕，每幅圖像包含的目標個數(shù)較少，目標相對較大。

圖5 跨數(shù)據(jù)集測試圖像示例Fig.5 Example of cross-dataset testing images

3.4.1 單域訓(xùn)練同域測試

本文在URPC2018 數(shù)據(jù)集中單域訓(xùn)練的15 個YOLOv5 目標檢測模型上進行跨數(shù)據(jù)集同域測試，記為實驗H，結(jié)果如表9 所示。從表9 可以看出，原始圖像訓(xùn)練模型同域測試的mAP 為49.6%，14 個增強復(fù)原方法同域測試的結(jié)果中，有9 種方法測試的mAP 高于49.6%，5 種方法測試的mAP 低于49.6%，其中最高為MIP 方法，mAP 為56.7%；最低為FUnIE-GAN 方法，mAP 為38.6%。與實驗A 中表2 的數(shù)據(jù)相比，跨數(shù)據(jù)集的測試精度比同數(shù)據(jù)集的測試精度下降了約34 個百分點。

表9 在跨數(shù)據(jù)集測試實驗中的單域訓(xùn)練同域測試結(jié)果Table 9 Results of single-domain training and same-domain test in cross-dataset test experiment %

3.4.2 加倍二類混合域測試

在URPC2018 數(shù)據(jù)集的原始圖像與增強復(fù)原圖像組成的加倍二類混合數(shù)據(jù)集訓(xùn)練的15 個YOLOv5檢測模型上進行跨數(shù)據(jù)集測試，記為實驗I，結(jié)果如表10 所示。從表10 可以看出：1）與跨數(shù)據(jù)集測試中單域訓(xùn)練同域測試mAP（見表9）相比，加倍二類混合域訓(xùn)練模型的測試mAP 大幅度提升；2）在14 個模型（不包含2×original 模型）中有12 個模型在原始圖像上的測試mAP 高于在增強復(fù)原圖像上的測試mAP；3）在原始圖像上，14 個模型中有13 個模型的測試mAP 高于2×original 模型，最高mAP 為63.2%，與同數(shù)據(jù)集測試mAP（75%）的差距大幅縮小。

表10 在跨數(shù)據(jù)集實驗中加倍二類混合域上的測試結(jié)果Table 10 Results of doubling the two-class mixed domain test in the cross-dataset experiment %

3.5 討論

訓(xùn)練和測試的域差異對測試mAP 的影響：由實驗A、實驗B 和實驗C 可以看出，當測試集與訓(xùn)練集不在同一域時，測試mAP 大幅下降。為定量描述，本文采用各增強復(fù)原圖像訓(xùn)練集與原始圖像訓(xùn)練集的平均結(jié)構(gòu)相似度（SSIM）表示各增強復(fù)原圖像域與原始圖像域的接近程度，SSIM 計算結(jié)果如表11 所示。

計算交叉域測試實驗B 和實驗C 中各增強復(fù)原方法對應(yīng)的mAP 與SSIM 的相關(guān)系數(shù)如表12 所示。平均SSIM 與交叉域測試mAP 有較高的正相關(guān)性，說明訓(xùn)練和測試圖像之間的亮度、對比度和結(jié)構(gòu)等特征差距越小，交叉域測試mAP 越高。由表11 可以看出，HE、UIE-DAL 和FUnIE-GAN 3 種增強復(fù)原方法處理后的圖像與原圖像的SSIM 最小，因此交叉域測試時的域差異最大，導(dǎo)致其檢測精度降低。

表12 交叉域測試mAP 與平均SSIM 的相關(guān)系數(shù)Table 12 Correlation coefficient between mAP and average SSIM for cross-domain test

訓(xùn)練域數(shù)目對測試mAP 的影響：在實驗A、E 和D 中，實驗訓(xùn)練域數(shù)目分別為1、2 和15。表13 所示為對比這3 組實驗中YOLOv5 模型在增強復(fù)原測試集上的測試mAP（表中2 類和original 對應(yīng)點的mAP見表6）。除Water-Net 方法以外，其余13 種增強方法的測試mAP 隨著訓(xùn)練域數(shù)量的增加而降低。因此，在訓(xùn)練集圖像數(shù)量相同的情況下，訓(xùn)練域數(shù)目的增加并不能提高深度學(xué)習(xí)目標檢測模型的檢測精度。

表13 訓(xùn)練域數(shù)目對測試mAP 的影響Table 13 Effect of training domain number on test mAP %

訓(xùn)練集圖像數(shù)目對測試mAP 的影響：在實驗E和實驗F 的混合域訓(xùn)練實驗中，訓(xùn)練域的數(shù)目相同，但實驗F 中訓(xùn)練圖像數(shù)是實驗E 的2 倍，從表7 可以看出，實驗F 中增強復(fù)原測試集14 個mAP 中有13 個高于實驗E 中對應(yīng)mAP，原始圖像測試集14 個mAP中有11 個高于或等于實驗E 中對應(yīng)的mAP。因此，訓(xùn)練集圖像數(shù)目的增加在一定程度上有利于mAP的提高，但簡單的數(shù)據(jù)重復(fù)是無用的。

預(yù)處理方式和數(shù)據(jù)增強方式對測試mAP 的影響：在單數(shù)據(jù)集實驗A、B、D 和E 中，圖像增強復(fù)原方法是作為圖像預(yù)處理方法參與的實驗，而在實驗F和實驗G 中，圖像增強復(fù)原方法是作為數(shù)據(jù)增強方法參與的實驗。雖然數(shù)據(jù)增強方式得到的測試mAP優(yōu)于圖像預(yù)處理方式，但是與原始圖像訓(xùn)練和測試相比，目標檢測精度的提升并不明顯（本文實驗中mAP 的最大增長量為0.4 個百分點）。當訓(xùn)練集和測試集均屬同一數(shù)據(jù)集時，水下圖像增強復(fù)原方法無論是作為數(shù)據(jù)增強復(fù)原方法還是圖像預(yù)處理方法，對深度學(xué)習(xí)目標檢測模型檢測精度的提高效果均不明顯。在跨數(shù)據(jù)集測試實驗H 中，圖像增強復(fù)原方法作為圖像預(yù)處理方法參與了實驗，9/14 的增強復(fù)原方法對目標檢測精度的提升有效；在跨數(shù)據(jù)集測試實驗I 中，圖像增強復(fù)原方法作為數(shù)據(jù)增強方法參與了實驗，在原始圖像上13/14 的增強復(fù)原方法對目標檢測精度的提升有效，且mAP 提升最高可達12.4 個百分點。

4 結(jié)束語

本文在URPC 數(shù)據(jù)集上進行大量的對比實驗，詳細深入地探討了圖像增強復(fù)原方法對深度學(xué)習(xí)目標檢測模型精度的影響。實驗結(jié)果表明，盡管數(shù)據(jù)集存在較嚴重的圖像退化現(xiàn)象，但是在單數(shù)據(jù)集實驗中，水下圖像增強復(fù)原方法無論作為圖像預(yù)處理方法還是數(shù)據(jù)增強方法，對深度學(xué)習(xí)目標檢測精度的提升都無明顯效果，而在跨數(shù)據(jù)集實驗中，增強復(fù)原方法作為圖像預(yù)處理方法和數(shù)據(jù)增強方法，能有效提升檢測精度，作為數(shù)據(jù)增強方法時的提升效果更優(yōu)。因此，在跨數(shù)據(jù)集目標檢測應(yīng)用中，將水下圖像增強復(fù)原方法作為數(shù)據(jù)增強方法參與檢測模型的訓(xùn)練，以提升目標檢測精度。然而，本文僅在有限的數(shù)據(jù)集上進行實驗，水下圖像增強復(fù)原方法在其余數(shù)據(jù)集上的表現(xiàn)是本文研究的重點方向。