【技术实现步骤摘要】
一种基于YOLOv5网络对密集遮挡鱼类的检测方法
[0001]本专利技术涉及一种基于YOLOv5网络对密集遮挡鱼类的检测方法，属于鱼类图像
技术介绍
[0002]在水产养殖过程中，鱼类的检测是估计鱼类长度、数量和密度的前提。通过计算机视觉技术检测鱼类并计数测量，可以减少人力的投入，节约养殖成本。利用计算机视觉技术对鱼类进行检测的过程中，通常鱼类密度较大时会出现严重的遮挡，从而给鱼类检测带来了挑战。鱼类之间的相互遮挡使鱼类的检测信息不完整，增大了检测的难度，而且易造成检测算法难以检测出被遮挡的鱼，容易发生漏检。现有的鱼类检测方法无法有效的处理鱼类密集遮挡的情况，检测密集遮挡的鱼类时，准确率低，且检测速度慢，无法有效的在嵌入式设备中应用。如已知采用YOLOv5方法来对遮挡环境下的鱼类进行检测，由于鱼类相互聚集在一起产生的严重遮挡，使用YOLOv5方法检测鱼类时，会将聚集遮挡在一起的鱼类识别为单个的鱼类个体，从而导致大量鱼类被漏检，检测鱼类的准确率较低。
技术实现思路
[0003]为了提高YOLOv5网络...
【技术保护点】
【技术特征摘要】
1.一种基于YOLOv5网络对密集遮挡鱼类的检测方法，包括数据集建立与处理部分、模型训练部分和模型测试部分；所述数据集建立与处理部分包括鱼类图片数据的收集、鱼类图片数据标注以及数据划分；所述数据划分是将数据划分为训练集、验证集和测试集；其特征在于，所述模型训练部分通过使用损失函数计算模型输出的训练预算结果，得到训练预算结果的误差，更新模型的神经网络中的参数，以提高模型的精确度；所述损失函数为改进的损失函数，在损失函数中引入改进的排斥力损失函数来增强模型检测相互遮挡鱼类的能力；所述的改进的排斥力损失函数为L
RepGT
，L
RepGT
函数使用的Smooth
ln
和Smooth
L1
函数使不同鱼类的预测框相互排斥，达到相互远离的效果，减少预测框间的重叠程度，从而减小鱼类漏检数量，提高检测准确率；所述改进的排斥力损失函数如下所示：，式中，λ1和λ2是各项函数的权重值， 表示一张图片中的所有正样本的集合；B
P
表示预测框，表示预测框B
P
和除B
P
对应的真值框外与B
P
有最大交并比的其他目标的真值框。2.根据权利要求1所述的基于YOLOv5网络对密集遮挡鱼类的检测方法，其特征在于，所述，，式中，，={G}表示一张图片中的所有真值框的集合；Smooth
ln
（）、Smooth
L1
（）和IoG（）的表达式分别如下所示，其中σ∈［0,1）；，，。3.根据权利要求1所述的基于YOLOv5网络对密集遮挡鱼类的检测方法，其特征在于，所述模型训练部分是将图像数据通过数据加强、图像缩放以及模型后获得预测结果，对预测结果通过损失函数计算损失，更新神经网络中的参数；所述模型包括骨干网络、特征金字塔和检测；图片数据被输入到模型的骨干网络：1）首先是输入数据，数据依次经过Focus模块、C3_1x模块、CBS模块和C3_3x模块来初步的提取图片中的特征，并将此时提取出的特征矩阵保存起来，记为特征A1;
2）特征A1继续向下传输，依次经过CBS模块和C3_3x模块进一步的提取特征，并将此时提取矩阵出的特征保存起来，记为特征A2;3）特征A2继续向下传输，又依次经过CBS模块，SPP模块和C3_3x模块进行提取特征，并将此时提取出的特征矩阵保存起来，记为特征A3。4.根据权利要求3所述的基于YOLOv5网络对密集遮挡鱼类的检测方法，其特征在于，将特征A1、A2和A3都输入到所述的特征金字塔中，在特征金字塔中，1）首先特征A3输入到CBS模块中进一步提取特征，保存提取后的特征矩阵，记为特征B1；2）然后将特征B1进行上采样处理后，再和之前存储的特征A2这两个特征矩阵输入到拼接模块中合并为1个特征矩阵，然后依次输入到C3_1x模块和CBS模块进一...
【专利技术属性】
技术研发人员：岳峻，董铖，姚涛，李振波，贾世祥，
申请(专利权)人：鲁东大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。