一种基于YOLOv4的水下目标识别方法技术

本发明专利技术提供了一种基于YOLOv4的水下目标识别方法，包括以下步骤：步骤S1：收集相关水下图像；步骤S2：运用Mosaic图像增广技术进行数据增广；步骤S3：将水下图像增强方法和Mosaic数据增广方法相结合；步骤S4：将GW和RGHS、ICM组合与Mosaic数据增广方法相结合；步骤S5：得到改进的YOLOv4模型；步骤S6：使用S1所述数据集训练集运用Mosaic数据增广方法对改进的YOLO V4模型进行训练；步骤S7：使用数据集中测试集测试S6中训练好的模型，然后用于水下目标识别；应用本技术方案可以提高识别水下目标的速度以及精准度，并且提高识别的稳定性。并且提高识别的稳定性。并且提高识别的稳定性。

【技术实现步骤摘要】
一种基于YOLOv4的水下目标识别方法


[0001]本专利技术涉及目标识别
，特别是一种基于YOLO的特定目标识别方法。

技术介绍

[0002]在人类对海洋的探索中，水下目标识别技术发挥了重要的作用。针对于水下环境混乱，存在色偏、对比度低和模糊等等情况，一些优秀的目标识别技术没有发挥出真正的作用。
[0003]随着神经网络的不断发展，一些优秀的神经网络结构加入到现有的目标识别模型中大大提高了目标识别的精度和效率。
[0004]YOLO网络是深度学习领域的第一个单阶段检测器。YOLO采用了与两阶段目标检测不同的思想，它没有通过产生一个候选区域，再在候选区域中提取特征和进行分类回归，而是直接对目标图像进行分割，并对分割后的区域直接进行特征提取、分类和预测框回归。YOLO网络的特点就是非常快。后续在YOLO的基础上进行了一系列改进，并提出了v2和v3版本。YOLOv3 因为训练速度快、检测速度快而被广泛使用，其使用了Darknet53网络、 anchor锚框、FPN网络等优秀的结构。而YOLOv4基于YOLOv3进行改进。相比于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于YOLOv4的水下目标识别方法，其特征在于，包括以下步骤：步骤S1：收集相关水下图像，然后将其制作为水下数据集；步骤S2：对建立的水下数据集运用Mosaic图像增广技术进行数据增广；步骤S3：针对Mosaic数据增广方法在水下环境中存在背景复杂度不高的情况，设计e
‑
Mosaic数据增广方法，即将水下图像增强方法和Mosaic数据增广方法相结合；步骤S4：在水下数据集中进行有效性验证后，进一步将GW和RGHS、ICM组合与Mosaic数据增广方法相结合；步骤S5：基于YOLOv4算法构建改进后的YOLOv4模型，得到改进的YOLOv4模型；步骤S6：使用S1所述数据集训练集运用Mosaic数据增广方法对改进的YOLOV4模型进行训练，再将训练得到的权重文件加载至改进的YOLOv4算法中得到的水下目标识别网络中；步骤S7：使用数据集中测试集测试S6中训练好的模型，然后用于水下目标识别；所述的YOLOv4网络结构通过使用一种解耦合检测头的结构改进YOLOv4模型中的检测头部分；进一步将该结构应用到一种轻量级的网络模型中，该网络模型为基于Mobilenetv1主干网络的YOLOv4
‑
lite神经网络。2.根据权利要求1所述的一种基于YOLOv4的水下目标识别方法，其特征在于，所述的步骤S1包括以下步骤：数据集一共包含4757张图片，将其中3805张图片作为训练集，952张图片作为测试集，训练集中抽出381 张图片作为训练时的验证集；目标种类分为海胆、海星、海参、贝壳四个类。3.根据权利要求1所述的一种基于YOLOv4的水下目标识别方法，其特征在于，所述步骤S2中Mosaic图像增广首先从图片集中随机取出4张图片生成一张新的图片，将新图片输入到目标识别模型中，接着继续在图片集中随机取出4张新的图片进行Mosaic图像增广，直到图片集中的图片都被取完。4.根据权利要求1所述的一种基于YOLOv4的水下目标识别方法，其特征在于，所述步骤S3中e

【专利技术属性】
技术研发人员：罗伟林，戚林辉，陈凌雨，朱世东，陈震煊，
申请(专利权)人：福州大学，
类型：发明
国别省市：