关键词： 海洋生物   形象设计   盲盒设计   文创产品  

摘要： 随着全球经济的不断发展，海域市场和文化的交流互动变得越来越频繁。中国提出共建21世纪的海上丝绸之路，旨在推进蓝色经济增长，深化海洋文化和共享海洋福祉。文章通过借鉴不同的海洋生物形象特征，融合海洋生物独特的色彩和形态，将文化内核转换成卡通形象特性的造型，创造出充满魅力的海洋生物系列盲盒产品。既丰富了海洋文创产品的衍生品市场，也为大众提供了一个全新的窗口来领略海洋的广阔与神秘，帮助人们深入了解和宣传海洋文化。

关键词： 课程思政   海洋药学专业   第二课堂   南海海洋生物  

摘要： 课程思政融入高校海洋药学专业具有重要的意义，是提升学生就业能力的有效途径、落实“三全育人”体系的必要载体、深化海洋药学专业建设的重要举措。在实施过程中，应该遵循挖掘南海海洋生物资源优势、突出海洋药学专业特色、规范第二课堂管理，调动教师积极性和学生主动性、推动第一课堂和第二课堂的深度融合的三大原则。协调学校定位和专业特色，通过以下4个途径实施课程思政：第一，以党建引领专业；第二，将思政融入课程；第三，将实践贯穿思政；第四，融入南海海洋生物特色。

摘要： ~~

关键词： 深度学习   海洋生物   目标检测   Jetson TX2  

摘要： 海洋生物检测与定位,对海洋资源合理开发与利用,具有非常重要的研究意义和研究价值。海洋场景复杂,传统目标检测方法无法满足检测要求。本文以深度学习相关技术为研究工具,以海洋生物(海胆、海参、海星和扇贝)为研究对象,建立并训练海洋生物目标检测模型,本文主要工作如下: 针对目标特征提取困难、海洋场景复杂和目标多尺度等问题,提出一种基于并行高分辨率网络的海洋生物目标检测算法。首先,针对目标特征难以提取的问题,采用更轻量级高分辨率网络,增强目标特征表达,有效减少图像在采样过程中损失的语义信息。然后,针对背景复杂的问题,改进注意力模块,增强在空间和通道维度的特征,捕获不规则和详细的对象布局。最后,针对目标多尺度的问题,构建感受野增强模块进一步获得足够的语义信息和丰富的细节信息,提高对多尺度目标的检测能力。实验结果显示,该方法在URPC2020、URPC2018和PASCAL VOC2007三个数据集上m AP分别达到了81.17%、77.02%和82.9%。并将模型部署到嵌入式平台Jetson TX2上。针对Jetson TX2平台,模型在URPC2020数据集上的m AP为80.64%,检测速度为1.20FPS。 针对小目标、遮挡和模糊等问题,提出一种基于引导特征学习的海洋生物目标检测算法。首先,针对语义特征丢失的问题,构建特征提取网络,以增强网络对小目标信息的提取能力。然后,针对特征分布分散的问题,设计上下文增强模块融入特征金字塔网络,以丰富上下文信息。接着,针对小目标模糊及前背景区分不明显的问题,构建引导特征学习模块,过滤冲突信息,增强目标本身的可辨性。最后,针对检测任务冲突的问题,提出一种并行交互检测头,通过引入特征交互思想与解耦检测头,来加强对目标的定位与分类能力。实验结果显示,该方法在URPC2020、URPC2018和PASCAL VOC2007三个数据集上m AP分别达到了83.46%、78.86%和83.2%,比基于并行高分辨率网络的海洋生物目标检测算法的m AP分别高了2.29%、1.84%和0.3%。并在嵌入式平台Jetson TX2上,对模型进行部署,可以实现对海洋生物图像的检测应用,模型在URPC2020数据集上的m AP为83.07%,检测速度为0.90FPS。

关键词： 核心素养   海洋生物学   高中生物教学   生物技术与工程  

摘要： 我国作为海洋大国，在全球大力开发海洋资源的环境下，培养相关高水平人才尤为重要。教师选择合适的切入点和教学策略将海洋生物学知识与技术融入高中生物教学，既能在真实情境中为学生提供高精尖技术知识，又能培养其核心素养，实现立德树人的目标，同时助力蓝色生物产业的发展，为建设海洋强国注入强劲活力。

关键词： 深度学习   卷积神经网络   注意力机制   海洋生物分类   图像识别  

摘要： 海洋生物分类是海洋开发工作的基石,随着海洋开发的不断推进,其重要性也日益凸显。海洋生物种类繁多,且同门类生物具有较强的类间相似性,而不同门类生物具有较大差异。海洋生物分类方法总与一般分类任务保持一致,通过一次分类完成任务,忽视了海洋生物中隐含的层次关系。卷积具有优秀的局部特征提取能力,而缺乏了全局视野,注意力机制擅长处理全局特征,但缺乏局部视野。将二者正确结合,才能充分利用其优势,使海洋生物分类任务更高效。 本文针对上述问题,设计了多层次的海洋生物分类方法,并且利用卷积与注意力机制的结合进一步改进方法。通过南麂列岛潮间带海洋生物数据集、CIFAR-100、Wildfish野生鱼类数据集进行实验验证。主要研究内容及工作如下: (1)设计了多层次海洋生物分类方法CM-EfficientNetV2,引入生物先验知识,辅助学习海洋生物数据集的多阶层关系。构建了南麂列岛潮间带海洋生物数据集,并构建多阶层数据集,设计了平衡参数保证划分数据集的样本均衡及类别均衡。提出了C-MBConv模块同时提取空间特征及通道特征,并利用其构建了具有六个主要阶段的C-EfficientNetV2,网络性能相较于原网络有不小提升。设计了精细分类模块匹配上下文特征,融合多层次分类知识使网络更适合多层次分类任务,并且输出最终目标类别。提出了风险最小化策略,来避免多层次分类过程中产生的错误传递,即在一阶类别时分类失误导致后续连锁失败,建模网络输出,构建类别间的特征分布,计算差异并且优化。实验结果显示了为网络引入多层次分类知识可以有效提升海洋生物分类的精度,成功解决了一般海洋生物分类方法忽视物种阶层关系的问题,在CIFAR-100中也有着不错表现。 (2)设计了融合卷积与注意力机制的多层次分类方法MCT-EfficientNetV2,通过先利用卷积提取局部特征,再利用注意力机制获取全局关系的策略,重新设计了网络架构CT-EfficientNetV2。同时利用注意力机制重新设计了精细分类模块,使得整体网络架构符合浅层卷积、深层注意力的模式。提出了高斯全连接层,利用高斯分布的思想,辅助网络学习二阶类别间特征平均值可能出现的正态分布,重新规划了风险最小化策略,帮助学习类别间的分布特征,降低错误传播概率。设计了多层次损失,更高效的辅助网络学习多层次类别特征。实验结果显示本方法的计算量以及参数量都获得了大幅度的降低,同时精度也获得了提升,实现了卷积与注意力机制的高效结合。 (3)使用本文的研究方法开发了南麂列岛潮间带海洋生物识别小程序,体现了其实际应用价值。实现了通过相册上传或拍照的方式,返回所识别的物种的种名,分布地区,趣味百科,分类地位等详细信息。

关键词： 视觉感知   水下目标检测识别   卷积神经网络   轻量级水下图像增强  

摘要： 近年来,海洋信息处理技术和深度学习技术蓬勃发展,面向海洋生物的水下目标检测识别的应用也日益广泛,为水下机器人提供了关键的迅速感知和处理能力,提高了其在水下环境中的任务执行能力和效率。对图像进行预处理提高原始水下图像视觉质量,是水下目标检测识别过程的重要环节。然而,由于水下成像环境的独特性,噪声大、纹理不清晰及颜色偏差等问题得以广泛地存在于水下图像中,且多数现有的水下图像增强技术难以在提升图像质量与保证实时性之间取得良好平衡,限制了水下目标检测识别在实时在线应用中的拓展。此外,陆地上的先进目标检测识别算法在水下环境中的迁移效果并不理想,进一步加剧了水下目标检测识别任务的挑战性。如何在图像视觉质量欠佳的情况下,保证其真实的视觉感知效果,以及水下目标检测识别的准确性、实时性和稳定性是亟待解决的问题。 针对上述问题,本文提出了一种轻量级的水下图像增强方法,结合端到端的实时水下目标检测识别网络模型,搭建面向海洋生物的在线识别系统,本文研究涵盖了以下几个方面的工作: 1)研究水下图像快速增强方法。设计端到端的卷积神经网络模型,使其学习从低质量水下图像到高质量图像的映射函数。在保证增强算法精度和鲁棒性的基础上,通过人工调整对网络结构进行轻量化处理。通过全参考及无参考的图像质量评价体系,验证经增强处理后的水下图像能够有效提升目标识别效率,同时满足实时运行需求。 2)研究水下目标检测识别方法uw-YOLOv8n。首先对水下目标检测识别所面临的挑战以及特点进行了分析,并由此选定适宜模型大小和精度的YOLOv8算法模型,设计并优化模型的参数以及训练过程,以满足水下场景的需求,之后对uw-YOLOv8n模型的检测识别效果进行评估。同时,为了充分证实水下图像增强方法的有效性与贡献度,在两种不同的样本集上分别进行检测识别对比实验。从实验结果可以看出,本文的水下图像快速增强方法有效地提高了目标检测识别的精度。 3)设计一套完整的在线识别算法应用系统。该系统由本地处理和在线处理模块组成,具备对水下图像、视频进行实时增强和检测识别等多种功能。 本文研究了基于卷积神经网络的轻量级水下图像增强方法,构建了水下目标检测识别模型uw-YOLOv8n,并在原始样本和处理后的样本集上开展一系列对比实验。实验结果表明,本文所提方法能够在一定程度上优化对水下目标的检测识别,这对后续的水下作业任务具有重要的积极推动作用。

关键词： 水下海洋生物   深度学习   目标识别   轻量级模型   YOLO算法  

摘要： 近年来,由于对海洋资源的不合理开发,近海水下生物正面临着前所未有的危机。为了实现可持续发展,深入了解海洋生物的种类与分布,对于海洋资源的保护和海洋环境的维护显得尤为重要。 相较于水上环境,水下海洋生物数据集存在图像不清晰和色偏等问题,同时现有的深度学习检测模型在海洋生物识别方面存在不足。为解决识别准确性低、检测速度慢以及算法参数量大的问题,采用基于YOLO(You Only Look Once)的单阶段检测算法,提出使用三种不同的检测模型对水下海洋生物进行识别。通过实验结果表明,检测模型在数据集上具有高效的检测性能。本文的研究工作如下: (1)为了解决水下海洋生物识别准确性低的问题,采用基于改进YOLOv5s框架的水下海洋生物目标检测算法。在YOLOv5s原有模型上引入SwinTransformer主干模块,设计指数移动平均指标(Exponential Moving Average,EMA)结构嵌入到Head预测部分,并在主干网络和特征金字塔网络之间构建全局注意力机制模块(Global Attention Mechanism,GAM),以提高模型的鲁棒性。实验结果表明,相比于原始的YOLOv5算法,模型在mAP指标上提升了约11.3个百分点,对处理图像边缘信息、图像重叠的背景下效果更好。 (2)由于水下环境的复杂性、水下生物图像质量差以及检测目标尺寸大小不一等问题,导致水下海洋生物识别检测速度慢。因此,在YOLOv5s-tiny的基础上,提出基于WN-A-YOLO(WaterNet Adaptive YOLO)的水下海洋生物目标检测算法。构建改进的Focal-EIOU损失函数,以改善样本不平衡问题,为了增强模型在小范围的信息表现能力,在Head部分设计改进隐式知识学习的Efficient解耦头,同时设计EVCBlock模块,有效提取海洋生物特征。通过详细的实验验证,WN-A-YOLO模型的FPS指标为81.6,表明此方法在提升检测速度的有效性。 (3)针对轻量检测模型难以满足实时性和准确性的问题,在更加注重轻量化设计的YOLOv7模型基础上,提出基于FasterNet-YOLOv7的水下海洋生物目标检测算法。在YOLOv7模型上设计FasterNet-L(Faster Neural Networks-L)作为空间特征提取,并采用跨模态轻量级注意力机制对原有算法进行了改进,增强了检测目标在通道和空间维度上的特征表现。构建轻量级上采样算子(Content-Aware ReAssembly of Features,CARAFE),减少计算资源。通过实验验证,FasterNet-YOLOv7模型检测精度提高了4.1%,使改进的算法整体性能更加优越。

关键词： 水下数据集   全景分割   区域生长   分割一切大模型   全景特征金字塔网络  

摘要： 在当前全球变化的背景下,海洋生态系统的研究和保护变得尤为重要。由于海洋环境的独特性和复杂性,水下图像获取和分析成为了海洋科学研究中的一个核心问题。大部分水下图像模糊不清,这给图像处理和分析带来了极大的挑战。此外,海洋生物的多样性和水下生态环境的复杂性,如珊瑚礁、海底地貌等,也给图像识别和分析增添了难度。 随着计算机视觉和深度学习技术的发展,全景分割作为一种新兴的图像处理方法,为水下图像的分析提供了新的视角和解决方案。全景分割不仅可以识别图像中的各个对象,还能理解它们在场景中的具体位置和背景关系。这在多尺度、多角度分析复杂水下环境中尤为关键。然而,水下图像的全景分割面临着特有的挑战,如在多尺度视角下保持对象识别的准确性和细节,以及在复杂背景下进行有效的分割。 为了克服这些挑战,本文提出了两种多尺度视角特征融合的海洋生物图像全景分割方法。这两种方法利用多尺度分析,不仅可以处理不同大小和形态的海洋生物,还能有效地处理复杂的水下环境背景。本文主要研究内容分为几个部分: (1)全景分割数据集的创建与分类:本研究对公开水下数据集SUIM进行了全景分割的重新标注,筛选并分类得到了1250张、8个种类的全景分割水下数据集。这为全景分割任务提供一个更丰富和准确的数据基础,以便更好地训练和验证所提出的模型。 (2)改进Panoptic FPN的设计与实现:本文首先改进了传统的区域生长算法,把它融入到基础的全景分割模型底座当中,设计了基于区域生长的全景分割金字塔网络,以更准确地分割和识别水下图像中的对象。接着又利用新型的分割一切(Segment Anything Thing,SAM)技术,重新设计后加入到Panoptic FPN中,将SAM模型的多尺度输出作为掩码输入,得到了基于SAM的全景分割金字塔网络,有效改善了在复杂场景下的分割效果。 (3)模型性能的评估与测试:在SUIM数据集上的测试显示,改进后的Panoptic FPN模型在分割精度(panoptic quality,PQ)上有显著提升。具体来说,加入SAM模块后的改进Panoptic FPN的PQ提高了1.06,加入区域生长模块后提高了0.35。 通过这些研究,本文旨在解决水下图像分割领域中的关键挑战,为海洋生态系统的监测和保护提供技术支持,同时推动水下图像分割技术的发展。