融合SKNet与YOLOv5的养殖鱼群检测方法、系统和介质技术方案

融合SKNet与YOLOv5的养殖鱼群检测方法、系统和介质，属于图像检测和识别领域，为了提高养殖场景下鱼群检测的准确率，包括如下步骤：S1.通过UNet全卷积网络对鱼群图像预处理，S2.通过融合SKNet的YOLOv5的改进网络结构对预处理后的鱼群图像检测，效果是能够取图像中模糊鱼类的特征以加强网络对模糊鱼体的识别能力，提高养殖场景下鱼群检测的准确率。提高养殖场景下鱼群检测的准确率。提高养殖场景下鱼群检测的准确率。

【技术实现步骤摘要】
融合SKNet与YOLOv5的养殖鱼群检测方法、系统和介质


[0001]本专利技术属于图像检测和识别领域，涉及一种融合SKNet与YOLOv5的养殖鱼群检测方法、系统和介质。

技术介绍

[0002]工厂化养殖是现代渔业发展的趋势，精准养殖是工厂化养殖的方向，鱼群目标检测是精准养殖的基础。准确检测养殖池中的鱼群，可以为鱼类行为分析、鱼类生长状况测量和鱼病诊断提供支撑。机器视觉为水下鱼群目标检测提供新的解决方法。传统机器视觉方法是通过图像中鱼类的轮廓特征评估一个阈值对鱼群进行检测，这种方法精度很高，但需要由有经验的专家总结有效的鱼类特征，检测效果依赖于专家的经验。当养殖池塘中鱼类的种类较少并且专家所假设的有效特征高度一致时，这种方法效果较好。随着鱼群种类和数量的增多，鱼群的持续运动也会导致鱼的重叠和形状变化，该方法不能有效识别形状变化的鱼导致检测效果降低。
[0003]与传统机器视觉方法相比，深度学习能够自动提取图像中的特征，可以根据养殖场景的需求，通过不断学习预测值与真实值之间的差异，得到有效解决方案，具有较强的适应性。Girshick等本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种养殖鱼群检测方法，其特征在于，包括如下步骤：S1.通过UNet全卷积网络对鱼群图像预处理，S2.通过融合SKNet的YOLOv5的改进网络结构对预处理后的鱼群图像检测。2.如权利要求1所述的养殖鱼群检测方法，其特征在于，所述步骤S1的方法为使用响应函数的估计逆值对给定不同曝光度的模糊水下鱼群图像进行线性化，将线性化后的图形数据矫正并传递给不同的编码器使不同编码器提取不同曝光度模糊鱼群图像的鱼类特征信息，将不同编码器提取的鱼类特征信息合并，并将各编码器提取的鱼类特征信息以及合并的不同编码器的鱼类特征信息输入至解码器端，解码器融合相同尺度和不同尺度的鱼类特征信息，并由UNet全卷积网络不断学习映射对应的鱼类特征信息而获取所有像素点的特征图，将所得特征图输入色调映射器的映射网络，色调映射后得到清晰鱼群图像。3.如权利要求1所述的养殖鱼群检测方法，其特征在于，各编码器提取的鱼类特征信息采用跳跃连接的方式输入至解码器端。4.权利要求2所述的养殖鱼群检测方法，其特征在于，X＝{X1,X2,X3}表示输入不同曝光度模糊鱼群图像的集合，将其映射到Y＝{Y1,Y2,Y3}的清晰鱼群图像的集合，映射公式为：其中t
i
是图像X
i
的曝光时间，X
i
、Y
i
和Y的值都在0和1之间；响应于映射公式取得的映射网络为：在色调映射后的清晰鱼群图像上计算各像素点的损失函数，得到清晰鱼群图像公式：其中λ是控制压缩程度的参数；图像预处理阶段控制图像清晰化程度的损失函数：5.如权利要求1所述的养殖鱼群检测方法，其特征在于，所述步骤S2的方法为S2.1.通过YOLOv5网络的输入端对预处理后的鱼群图像进行数据增强、自适应锚框计算和自适应图像缩放；S2.2.通过Backbone特征提取网络提取鱼群图像中鱼类的特征，不同尺度鱼类特征信息经过SKNet网络加权后，特征图输入至Neck端进行特征融合；S2.3通过Prediction模块将特征融合的图像分为至少三种不同尺寸的网格，每个网格
默认输出预测的至少三个边界框，以及边界框对应位置的信息和分类结果，和边界框精度的置信度信息。6.如权利要求5所述的养殖鱼群检测方法，其特征在于，步骤S2.2的通过Backbone特征提取网络提取鱼群图像中鱼类的特征的方法：原始608*608*3的鱼群图像输入Focus结构，采用切片操作，使其变成304*...

【专利技术属性】
技术研发人员：于红，赵梦，李海清，韦思学，
申请(专利权)人：大连海洋大学，
类型：发明
国别省市：