近海养殖物目标检测方法、系统、存储介质及计算机设备技术方案

本发明专利技术公开了一种近海养殖物目标检测方法、系统、存储介质及计算机设备，本发明专利技术采用YOLOv5网络进行近海养殖物目标检测，在YOLOv5网络的主干模块中，使用Transformer网络替换最后一个C3网络，利用Transformer网络的全局自注意力机制，提高主干模块的可解释性，获得更准确的目标定位，在YOLOv5网络的颈部模块中，使用加权双向特征金字塔网络替换特征金字塔网络和路径聚合网络的组合，可以更高效地对水下养殖物目标图像进行特征融合，通过减少对特征融合过程中贡献不大的特征，来优化跨尺度连接，并加强同一层级中更为重要的特征的融合，减少错检现象，大大增强了目标检测效果。大大增强了目标检测效果。大大增强了目标检测效果。

【技术实现步骤摘要】
近海养殖物目标检测方法、系统、存储介质及计算机设备


[0001]本专利技术涉及一种近海养殖物目标检测方法、系统、存储介质及计算机设备，属于深度学习以及计算机视觉


技术介绍

[0002]近年来，人口的不断增加和国民生活水平的日益提升，陆地资源开采过度，人们对海洋资源的需求增加，海产养殖产业也因此得到大力发展。以前，养殖物的捕捞工作大多依靠人工抓捕，在复杂的水下环境中，人工捕捞具有耗时长且效率低等缺点。
[0003]随着网络模型的发展，使用水下机器人进行自动化捕捞成为一种可靠的选择，自动化捕捞的前提是对近海养殖物目标进行检测。在实际应用中，由于水下复杂环境的影响，所获取的水下养殖物目标图像存在堆叠、遮挡以及背景干扰等问题，传统的基于YOLOv5网络的近海养殖物目标检测方法的效果欠佳。

技术实现思路

[0004]本专利技术提供了一种近海养殖物目标检测方法、系统、存储介质及计算机设备，解决了
技术介绍
中披露的问题。
[0005]为了解决上述技术问题，本专利技术所采用的技术方案是：
[0006]近海养殖物目标检测方法，包括：
[0007]采集近海养殖物目标图像；
[0008]将近海养殖物目标图像输入预先训练的目标检测模型，获得近海养殖物目标检测结果；其中，目标检测模型为YOLOv5网络，在YOLOv5网络的主干模块中，使用Transformer网络替换最后一个C3网络，在YOLOv5网络的颈部模块中，使用加权双向特征金字塔网络替换特征金字塔网络和路径聚合网络的组合。
[0009]在加权双向特征金字塔网络中，在第二级上采样分支网络和第一级下采样分支网络之间增设第三级上采样分支网络，第三级上采样分支网络的上采样倍数大于第一级上采样分支网络和第二级上采样分支网络的上采样倍数；
[0010]在YOLOv5网络的预测模块中增设一层小目标检测层，增设的小目标检测层的输入端连接第三级上采样分支网络的C3网络，增设的小目标检测层输出的特征图大于预测模块中其他小目标检测层输出的特征图。
[0011]第一级上采样分支网络、第二级上采样分支网络和第三级上采样分支网络的结构一致，均包括从输入到输出依次连接的卷积层、上采样层、归一化特征融合层、C3网络和注意力模块；
[0012]第一级下采样分支网络和第二级下采样分支网络的结构一致，均包括从输入到输出依次连接的卷积层、归一化特征融合层、C3网络和注意力模块；
[0013]第三级下采样分支网络包括从输入到输出依次连接的卷积层、归一化特征融合层和C3网络。
[0014]Transformer网络输出的特征图作为第一级上采样分支网络输入的特征图，输入的特征图依次经卷积和一次上采样后，与主干网络的第三个C3网络输出的特征图进行归一化融合；
[0015]第一级上采样分支网络输出的特征图作为第二级上采样分支网络输入的特征图，输入的特征图依次经卷积和一次上采样后，与主干网络的第二个C3网络输出的特征图进行归一化融合；
[0016]第二级上采样分支网络输出的特征图作为第三级上采样分支网络输入的特征图，输入的特征图依次经卷积和一次上采样后，与主干网络的第一个C3网络输出的特征图进行归一化融合；
[0017]第三级上采样分支网络输出的特征图作为第一级下采样分支网络输入的特征图，输入的特征图经过卷积后，与第三级上采样分支网络卷积层输出的特征图、主干网络的第二个C3网络输出的特征图进行归一化融合；
[0018]第一级下采样分支网络输出的特征图作为第二级下采样分支网络输入的特征图，输入的特征图经过卷积后，与第二级上采样分支网络卷积层输出的特征图、主干网络的第三个C3网络输出的特征图进行归一化融合；
[0019]第二级下采样分支网络输出的特征图作为第三级下采样分支网络输入的特征图，输入的特征图经过卷积后，与第一级上采样分支网络卷积层输出的特征图进行归一化融合。
[0020]近海养殖物目标检测系统，包括：
[0021]采集模块，采集近海养殖物目标图像；
[0022]检测模块，将近海养殖物目标图像输入预先训练的目标检测模型，获得近海养殖物目标检测结果；其中，目标检测模型为YOLOv5网络，在YOLOv5网络的主干模块中，使用Transformer网络替换最后一个C3网络，在YOLOv5网络的颈部模块中，使用加权双向特征金字塔网络替换特征金字塔网络和路径聚合网络的组合。
[0023]在加权双向特征金字塔网络中，在第二级上采样分支网络和第一级下采样分支网络之间增设第三级上采样分支网络，第三级上采样分支网络的上采样倍数大于第一级上采样分支网络和第二级上采样分支网络的上采样倍数；
[0024]在YOLOv5网络的预测模块中增设一层小目标检测层，增设的小目标检测层的输入端连接第三级上采样分支网络的C3网络，增设的小目标检测层输出的特征图大于预测模块中其他小目标检测层输出的特征图。
[0025]第一级上采样分支网络、第二级上采样分支网络和第三级上采样分支网络的结构一致，均包括从输入到输出依次连接的卷积层、上采样层、归一化特征融合层、C3网络和注意力模块；
[0026]第一级下采样分支网络和第二级下采样分支网络的结构一致，均包括从输入到输出依次连接的卷积层、归一化特征融合层、C3网络和注意力模块；
[0027]第三级下采样分支网络包括从输入到输出依次连接的卷积层、归一化特征融合层和C3网络。
[0028]Transformer网络输出的特征图作为第一级上采样分支网络输入的特征图，输入的特征图依次经卷积和一次上采样后，与主干网络的第三个C3网络输出的特征图进行归一
化融合；
[0029]第一级上采样分支网络输出的特征图作为第二级上采样分支网络输入的特征图，输入的特征图依次经卷积和一次上采样后，与主干网络的第二个C3网络输出的特征图进行归一化融合；
[0030]第二级上采样分支网络输出的特征图作为第三级上采样分支网络输入的特征图，输入的特征图依次经卷积和一次上采样后，与主干网络的第一个C3网络输出的特征图进行归一化融合；
[0031]第三级上采样分支网络输出的特征图作为第一级下采样分支网络输入的特征图，输入的特征图经过卷积后，与第三级上采样分支网络卷积层输出的特征图、主干网络的第二个C3网络输出的特征图进行归一化融合；
[0032]第一级下采样分支网络输出的特征图作为第二级下采样分支网络输入的特征图，输入的特征图经过卷积后，与第二级上采样分支网络卷积层输出的特征图、主干网络的第三个C3网络输出的特征图进行归一化融合；
[0033]第二级下采样分支网络输出的特征图作为第三级下采样分支网络输入的特征图，输入的特征图经过卷积后，与第一级上采样分支网络卷积层输出的特征图进行归一化融合。
[0034]计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.近海养殖物目标检测方法，其特征在于，包括：采集近海养殖物目标图像；将近海养殖物目标图像输入预先训练的目标检测模型，获得近海养殖物目标检测结果；其中，目标检测模型为YOLOv5网络，在YOLOv5网络的主干模块中，使用Transformer网络替换最后一个C3网络，在YOLOv5网络的颈部模块中，使用加权双向特征金字塔网络替换特征金字塔网络和路径聚合网络的组合。2.根据权利要求1所述的近海养殖物目标检测方法，其特征在于，在加权双向特征金字塔网络中，在第二级上采样分支网络和第一级下采样分支网络之间增设第三级上采样分支网络，第三级上采样分支网络的上采样倍数大于第一级上采样分支网络和第二级上采样分支网络的上采样倍数；在YOLOv5网络的预测模块中增设一层小目标检测层，增设的小目标检测层的输入端连接第三级上采样分支网络的C3网络，增设的小目标检测层输出的特征图大于预测模块中其他小目标检测层输出的特征图。3.根据权利要求2所述的近海养殖物目标检测方法，其特征在于，第一级上采样分支网络、第二级上采样分支网络和第三级上采样分支网络的结构一致，均包括从输入到输出依次连接的卷积层、上采样层、归一化特征融合层、C3网络和注意力模块；第一级下采样分支网络和第二级下采样分支网络的结构一致，均包括从输入到输出依次连接的卷积层、归一化特征融合层、C3网络和注意力模块；第三级下采样分支网络包括从输入到输出依次连接的卷积层、归一化特征融合层和C3网络。4.根据权利要求3所述的近海养殖物目标检测方法，其特征在于，Transformer网络输出的特征图作为第一级上采样分支网络输入的特征图，输入的特征图依次经卷积和一次上采样后，与主干网络的第三个C3网络输出的特征图进行归一化融合；第一级上采样分支网络输出的特征图作为第二级上采样分支网络输入的特征图，输入的特征图依次经卷积和一次上采样后，与主干网络的第二个C3网络输出的特征图进行归一化融合；第二级上采样分支网络输出的特征图作为第三级上采样分支网络输入的特征图，输入的特征图依次经卷积和一次上采样后，与主干网络的第一个C3网络输出的特征图进行归一化融合；第三级上采样分支网络输出的特征图作为第一级下采样分支网络输入的特征图，输入的特征图经过卷积后，与第三级上采样分支网络卷积层输出的特征图、主干网络的第二个C3网络输出的特征图进行归一化融合；第一级下采样分支网络输出的特征图作为第二级下采样分支网络输入的特征图，输入的特征图经过卷积后，与第二级上采样分支网络卷积层输出的特征图、主干网络的第三个C3网络输出的特征图进行归一化融合；第二级下采样分支网络输出的特征图作为第三级下采样分支网络输入的特征图，输入的特征图经过卷积后，与第一级上采样分支网络卷积层输出的特征图进行归一化融合。5.近海养殖物目标检测系统，其特征在于，包括：采集模块，采集近海养殖物目标图像；
检测模块，将近海养殖物目标图像输入预先训练的目标检测模型，获得近海养殖物目标检测结果；其中，目标检测模型为YOLOv5网络，在YOLOv5网络的主干模块...

【专利技术属性】
技术研发人员：赵越，刘艳，徐嘉璐，李庆武，
申请(专利权)人：河海大学，
类型：发明
国别省市：