一种低质量水下图像鱼类目标检测方法技术

本发明专利技术公开了一种低质量水下图像鱼类目标检测方法，包括以下步骤：采集水下图像数据集，对所述图像数据集进行预处理，获得模型数据集；构建GCANet网络模型，基于所述GCANet网络模型构建HF

【技术实现步骤摘要】
一种低质量水下图像鱼类目标检测方法


[0001]本专利技术涉及海洋资源勘探领域，具体涉及一种低质量水下图像鱼类目标检测方法。

技术介绍

[0002]海岸带是临海国家宝贵的国土资源，也是海洋开发、经济发展的基地，准确地提取海岸线分析海岸线的变迁情况，为政府部门加强对海岸带的监管和治理提供决策支持，对沿海地区的经济建设和海岸资源的可持续开发具有十分重要意义。渔业已成为促进我国农村经济繁荣的重要产业，据统计2019年全社会渔业产值12934.49亿元，渔业人口达1828.20万人，渔船总数73.12万艘。但是随着渔业的大规模发展，各种问题也应运而生。如今淡水养殖对水资源消耗、土地资源的占有越来越大，资源的过度使用导致资源单位价格上升，进而增加了养殖的成本。过去粗放单一的水产养殖方式的单位面积产出已不能满足预期的收益，在一定程度上限制了水产养殖业的发展进程。在资源匮乏的制约下，我国水产养殖产业累积了一定的生产矛盾，单纯的扩大生产规模已经不能满足长远的渔业可持续发展，如何更充分得利用物质资源是发展渔业所必须考虑的。因此应当更加注重水产养殖的合理化、规范化，充分利用现代高新技术为高效率养殖方式提供依据与支撑。
[0003]目前应用于图像目标检测的方法主要包括两类：双阶段目标检测和单阶段目标检测。双阶段目标检测网络将目标检测分为两个步骤：首先将图像输入到候选框推荐网络(RPN)中得到若干候选框输出，然后将候选框区域内信息输入到卷积神经网络进行回归得到分类输出。单阶段目标检测网络仅需在目标检测过程中将图像输入到主干神经网络一次即可得到预测目标的类别信息与位置信息，无需经过候选框推荐网络(RPN)生成候选框信息，算法时间复杂度较低，具有较高的实时性，但同时也牺牲了一部分准确度。
[0004]由于水下鱼类目标检测通常为实时视频图像目标检测，要求实时性较高，因此更多采用单阶段目标检测网络。目前单阶段目标检测网络迅速发展，包括SSD、YOLOv4等新算法不断涌现，其检测精度与检测速度得到很大提高，成为图像目标检测的主流方法。
[0005]近年来针对水下图像鱼类目标检测，国内外学者不断研究并取得了一定成果。巴基斯坦国立科技大学的Ahsan Jalal等人于2020年将光流和高斯混合模型与YOLO网络模型相结合，提高了在背景中伪装的鱼的检测准确率；阿格德尔大学的Kristian等人于2021年提出了一种将CNN
‑
SE(融合压缩与激励网络的卷积神经网络)模块与YOLO模型相结合的鱼类识别方法，提高了温带鱼类检测准确率；中国海洋大学的李庆忠等人于2019年对YOLO网络模型增加特征融合，提高了水下鱼类目标检测准确率。
[0006]上述国内外研究成果仅从图像特征信息提取方面对目标检测网络模型进行改进，缺少对原始图像数据增强处理，会导致对于低质量水下图像检测准确率低于高质量水下图像。

技术实现思路

[0007]针对现有图像检测方法多以图像特征融合作为改进点，仅对高质量图像有明显效果，对低质量水下图像效果差，准确率低的问题，本专利技术提出一种低质量水下图像鱼类目标检测方法，以图像去雾网络GCANet为基础，利用混合空洞卷积与特征金字塔网络改进并提出新的图像去雾网络HF
‑
GCANet；借助HF
‑
GCANet对低质量水下图像的去雾增强效果，将HF
‑
GCANet融入YOLOv4设计出应用于低质量水下图像的鱼类目标检测方法。
[0008]为实现上述目的，本专利技术提供了如下方案：一种低质量水下图像鱼类目标检测方法，包括以下步骤：
[0009]S1、采集水下图像数据集，对所述图像数据集进行预处理，获得模型数据集；
[0010]S2、构建GCANet网络模型，基于所述GCANet网络模型构建HF
‑
GCANet去雾网络模型；
[0011]S3、基于所述HF
‑
GCANet去雾网络模型，结合YOLOv4网络构建GCA
‑
YOLOv4目标检测网络模型；
[0012]S4、基于所述模型数据集，训练所述GCA
‑
YOLOv4目标检测网络模型；
[0013]S5、基于训练好的所述GCA
‑
YOLOv4目标检测网络模型对待识别图像进行检测、分类，得到预测框位置信息和分类信息。
[0014]优选的，所述S1获得所述模型数据集的方法包括：
[0015]采集预设数据中的小型鱼类视频，提取所述视频中的每一帧，转换为图像形式，获得所述图像数据集；
[0016]对所述图像数据集按时间段、帧序号进行命名并转换为YOLO格式，获得所述模型数据集。
[0017]优选的，所述S2所述GCANet网络模型包括：自动编码器、平滑扩充模块和融入门控融合子网络；
[0018]所述自动编码器由3个卷积层构成，所述卷积层的通道数量为64，卷积核尺寸均为3
×
3；
[0019]所述自动编码器的最后一个卷积层采用1/2步幅的下采样；
[0020]所述平滑扩充模块由6个平滑空洞残差单元和1个残差单元构成；
[0021]所述融入门控融合子网络由1个门控融合子网络、1个转置卷积层、2个卷积层构成。
[0022]优选的，所述S2所述HF
‑
GCANet去雾网络模型构建方法包括：
[0023]采用混合空洞卷积代替所述GCANet网络模型中的平滑空洞卷积；
[0024]采用特征金字塔网络代替所述GCANet网络模型中融入门控融合子网络。
[0025]优选的，所述混合空洞卷积包括：反卷积层1、反卷积层2、反卷积层3、反卷积层4、反卷积层5、反卷积层6；
[0026]所述反卷积层1、反卷积层2、反卷积层3的输入输出通道数均为64、步幅为1，dilated rate分别为1、2、3；
[0027]所述反卷积层4的输入通道数为64、输出通道数为128、步幅为2、dilated rate为1；
[0028]所述反卷积层5的输入通道数为128、输出通道数为256、步幅为2、dilated rate为
2；
[0029]所述反卷积层6的输入通道数为256、输出通道数为512、步幅为2、dilated rate为3。
[0030]优选的，所述S3所述YOLOv4网络包括：输入模块、主干网络模块、特征提取模块、输出模块；
[0031]所述输入模块包括：Mosaic单元、CmBN单元和SAT单元；
[0032]所述主干网络模块包括：CBM单元、CSP单元；
[0033]所述特征提取模块包括：SPP单元、FPN单元。
[0034]优选的，所述S3所述GCA
‑
YOLOv4目标检测网络模型包括：输入模块、HF
‑
GCA模块、主干网络模块、特征提取模块和输出模块；
[0035]所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种低质量水下图像鱼类目标检测方法，其特征在于，包括以下步骤：S1、采集水下图像数据集，对所述图像数据集进行预处理，获得模型数据集；S2、构建GCANet网络模型，基于所述GCANet网络模型构建HF
‑
GCANet去雾网络模型；S3、基于所述HF
‑
GCANet去雾网络模型，结合YOLOv4网络构建GCA
‑
YOLOv4目标检测网络模型；S4、基于所述模型数据集，训练所述GCA
‑
YOLOv4目标检测网络模型；S5、基于训练好的所述GCA
‑
YOLOv4目标检测网络模型对待识别图像进行检测、分类，得到预测框位置信息和分类信息。2.根据权利要求1所述一种低质量水下图像鱼类目标检测方法，其特征在于，所述S1获得所述模型数据集的方法包括：采集预设数据中的小型鱼类视频，提取所述视频中的每一帧，转换为图像形式，获得所述图像数据集；对所述图像数据集按时间段、帧序号进行命名并转换为YOLO格式，获得所述模型数据集。3.根据权利要求1所述一种低质量水下图像鱼类目标检测方法，其特征在于，所述S2所述GCANet网络模型包括：自动编码器、平滑扩充模块和融入门控融合子网络；所述自动编码器由3个卷积层构成，所述卷积层的通道数量为64，卷积核尺寸均为3
×
3；所述自动编码器的最后一个卷积层采用1/2步幅的下采样；所述平滑扩充模块由6个平滑空洞残差单元和1个残差单元构成；所述融入门控融合子网络由1个门控融合子网络、1个转置卷积层、2个卷积层构成。4.根据权利要求3所述一种低质量水下图像鱼类目标检测方法，其特征在于，所述S2所述HF
‑
GCANet去雾网络模型构建方法包括：采用混合空洞卷积代替所述GCANet网络模型中的平滑空洞卷积；采用特征金字塔网络代替所述GCANet网络模型中融入门控融合子网络。5.根据权利要求4所述一种低质量水下图像鱼...

【专利技术属性】
技术研发人员：李海涛，胡泽涛，张俊虎，郑焕舒，张雷，丁东平，
申请(专利权)人：青岛科技大学，
类型：发明
国别省市：