海洋生物智能检测识别方法技术

本发明专利技术提出一种海洋生物智能检测识别方法，通过引入基于UGAN的水下图像增强和深度可分离卷积，目的是在满足在多种海洋生物中，进行生物类别的识别以及检测，降低观测海洋生物的难度，优化传统的检测方式，达到高精度、实时的海洋生物检测。该方法考虑不同海洋生物中的形态差异、生活习性以及在更低的内存空间上部署检测算法的可行性；在YOLOv4中引入轻量级深度学习网络以及深度可分离卷积，能够平衡算法的性能与开支，有效降低海洋环境下各种因素对海洋生物的识别干扰和有效降低识别模型的参数量。数量。数量。

【技术实现步骤摘要】
海洋生物智能检测识别方法


[0001]本专利技术涉及深度学习及海洋贝类苗种繁育
，尤其涉及一种基于海洋生物智能检测识别方法。

技术介绍

[0002]随着国民生活水平的不断提高，鲍 鱼、海参、海胆等珍贵海产品的市场需求与日俱增，极大促进了浅海养殖为代表的海洋渔业的蓬勃发展。人工潜水监控及捕捞的传统方法不仅耗时、人工成本高，而且人身伤害大、危险系数高。近年来，随着水下机器人等技术的日臻成熟和逐步应用，海洋养殖的信息化和智能化建设迎来新的发展契机。为实现水下机器人的成功捕捞，研发海洋生物的自动化目标识别技术尤为重要，而支撑这一工作的核心技术是目标检测（Object Detection）模型和算法。由于水下获取视频及图像的特殊性，海洋目标检测在准确率和实时性等方面都有特殊的需求，所以面向于海洋环境研究海洋生物等目标的高性能检测模型已经成为一个重要的研究方向。
[0003]目标检测算法在某些方面已经得到应用，但是直接应用到浅海养殖生物识别仍然存在问题。试验中表现出的主要问题有：1）由于光线昏暗而且分布不均匀，导致采集的数据清晰度不高，检测精本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种海洋生物智能检测识别方法，其特征在于，包括以下步骤：步骤S1：将水下相机拍摄的原始海洋环境视频进行分帧处理，获取原始数据图像；步骤S2：将所获取的原始图像，进行基于 UGAN的水下图像增强处理，获取增强图像；步骤S3：将已经增强过的图像数据进行标志，每一个类别对应一个名字，使用矩形框标注生物所在位置，保持标注文件和图像作为训练的数据集；步骤S4：采用已经建立的数据集训练基于YOLO的轻量级海洋生物目标检测网络，调整网络参数，从而获得海洋生物目标检测模型；步骤S5：将水下相机拍摄的图像或者视频输入海洋生物目标检测模型，检测图像或者视频中海洋生物的所处位置；所述基于YOLO的轻量级海洋生物目标检测网络包括轻量级目标检测网络GhostNet和深度可分离卷积构成的特征提取网络M
‑
PAnet。2.根据权利要求1所述的海洋生物智能检测识别方法，其特征在于：在所述基于YOLO的轻量级海洋生物目标检测网络当中，输入特征图通过轻量级目标检测网络GhostNet下采样进行特征提取；所述轻量级目标检测特征提取网络GhostNet由多个G
‑
Neck构成，G
‑
Neck由两个Ghost module组成；所述Ghost module是一种轻量化的卷积模块，其首先选取输入特征数据的部分通道作为本征特征数据，通过卷积操作将本征特征图转换为它的“幻影特征图”，再通过拼接的方式将本征特征图与“幻影特征图”进行联合，合并后的输出特征图；所述G
‑
Neck是Ghost module构成的残差结构，通过两个Ghost Module合并而成，通过第一个Ghost module减小输入特征图的通道数，再通过第二个Ghost module进行通道扩张，通过G
‑
Neck能够对输入的特征图进行特征提取；Ghost Net则分为多个阶段，每个阶段由不同数量的G
‑
Neck构成，在每一个阶段结束后都会对特征图进行下采样获取具有更加丰富语义信息的特征数据；所述深度可分离卷积构成的特征提取网络M
‑
PAnet是采用了深度可分离卷积的特征融合结构，在GhostNet输出三个规格的特征图后，对三种特征图进行多尺度的融合，由大尺寸的特征图下采样后与小尺寸特征图进行融合，融合后通过深度可分离卷积进行冗余信息过滤。3.根据权利要求2所述的海洋生物智能检测识别方法，其特征在于：在步骤S2中，基于 UGAN的水下图像增强处理采用的UGAN模型由生成网络和辨别网络构成，其...

【专利技术属性】
技术研发人员：毛国君，徐光达，朱恒亮，
申请(专利权)人：福建工程学院，
类型：发明
国别省市：