基于改进YOLO模型的深海鱼类识别方法技术

本发明专利技术涉及深度学习目标检测领域，且公开了基于改进YOLO模型的深海鱼类识别方法，生成对抗神经网络进行样本扩充，得到扩充样本；训练改进型YOLOv7模型，改进的YOLO

【技术实现步骤摘要】
基于改进YOLO模型的深海鱼类识别方法


[0001]本专利技术涉及深度学习目标检测领域，具体为基于改进YOLO模型的深海鱼类识别方法。

技术介绍

[0002]参考文件[1]所述专利技术为基于神经网络的水下视频鱼类识别方法，包括步骤：训练神经网络模型，模型包括依次连接的输入层、第一卷积层、第二卷积层、第三卷积层、最大池化层、全连接层和输出层，第一卷积层对输入层中的每个通道各有一层卷积层对不同通道的信息进行不同的特征提取后进行特征图融合，第二卷积层采用多重卷积的方法对不同尺度的目标提取到不同感受野的尺度，再进行特征图融合、批归一化处理；将水下视频数据中彩色图像的每个通道及其灰度图像作为模型的输入；模型输出多个目标定位框及其置信度，根据置信度进行目标筛除。该方法可以满足实时视频鱼类识别的要求的同时，降低对摄像机拍摄图像的质量要求。
[0003]参考文件[2]所述专利技术属于图像目标检测
，具体公开了一种基于YOLOv4改进算法的织物瑕疵检测方法，该方法在主干网络上引入了最新的轻量级注意力模块Coordinate Attention(CA本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进YOLO模型的深海鱼类识别方法，其特征在于，包括以下步骤：第一步：深海鱼类图片收集；第二步：生产对抗神经网络进行样本扩充，得到扩充样本；第三步：训练改进型YOLOv7模型，改进的YOLO
‑
v7模型由HN递归门控卷积模块、CBS卷积模块、下采样MP模块、感受野增大模块SPPCSPC模块、RepConv模块以及ASFF金字塔特征融合模块构成；第四步：将扩充样本分为输入测试图片和输入训练图片，将输入训练图片按照7：3的比例分为测试集和验证集，标注每种深海鱼的类名，采用Cutout数据增强和Random affine仿射变换进行数据增强；第五步：数据增强后的数据输入改进好后的YOLO
‑
V7模型进行训练，根据损失函数判断模型的性能，更新模型训练参数，总共经过100次训练迭代；第六步：训练完成后得到模型最佳的模型文件，使用该模型即可检测深海鱼类图片和视频。2.根据权利要求1所述的基于改进YOLO模型的深海鱼类识别方法，其特征在于：所述第一步中的生成对抗神经网络分为判别模型和生成模型，对输入的深海鱼类图像样本按照6：4的比例分为训练集和测试集，将分类好的图片输入生成对抗网络训练得到生成模型和判别模型，接着将训练集中的图片输入到上步训练后得到的生成模型得到若干模拟样本，最后将生成的模拟样本与原始样本结合作为新的数据集。3.根据权利要求1所述的基于改进YOLO模型的深海鱼类识别方法，其特征在于：所述HN递归门控卷积模块和ASFF金字塔特征融合模块为原有网络基础上改进的模块，在骨干网络和检测头网络中加入HN递归门控卷积模块，将YOLO
‑
v7网络原有的特征融合网络改进为ASFF自适应特征融合网络，HN递归门控卷积模块主要原理为递归门卷积，用门卷积和递归设计进行高阶空间交互。4.根据权利要求1所述的基于改进YOLO模型的深海鱼类识别方法，其特征在于：所述高阶空间交互其原理如下：S1：首先使用线性投影函数得到一组投影特征p0和S1：首先使用线...

【专利技术属性】
技术研发人员：刘长红，温嘉文，吴博淳，刘金辉，李天注，
申请(专利权)人：广州大学，
类型：发明
国别省市：