一种基于yolov8-CA-AFPN模型的海洋垃圾目标检测方法技术

本发明专利技术公开了一种基于yolov8‑CA‑AFPN模型的水下机器人目标检测方法，属于深度学习和计算机视觉技术领域。该方法步骤主要包括：S1.获取水下目标检测待处理数据，对数据进行增强；S2.采用C2f‑CA模块改进骨干网络对数据进行特征提取，提高对目标的注意力能力；S3.颈部网络采用改进的特征融合网络AFPN加强多尺度特征融合过程、在保持参数成本的同时提高特征的表达能力；S4.将得到的三个不同特征图传递给检测头进行预测，在训练阶段采用MPDIOU损失作为边界框损失，提高检测任务的整体性能。利用本发明专利技术提出的yolov8‑CA‑AFPN模型框架能够解决在对水下目标检测时存在水下环境复杂，图像模糊，目标特征不明显等问题。采用本发明专利技术提出的模型能够精准的进行水下目标检测任务，可以保障水下机器人工作时的识别与抓取。

【技术实现步骤摘要】

本专利技术属于深度学习和计算机视觉，具体涉及一种基于yolov8-ca-afpn模型的海洋垃圾目标检测方法。

技术介绍

1、海洋在地球生态系统中发挥着举足轻重的作用，近年来，海洋垃圾污染已经成为“一个影响到世界各大洋的全球性环境问题”，对海洋环境、生物多样性、生态平衡、水质、旅游业、渔业和经济等方面带来了严重的负面影响。不同的环境政府机构都在大力开展清理水下垃圾方法的研究，由于需要精确地检测垃圾沉淀物并定位它们，并在保护水下植物群和动物群的同时移除这些垃圾，因此在这一研究中，对水下目标检测的快速性而准确性的实现成为了重要一步。

2、与自然环境下的目标检测不同，水下图像的成像与水体对不同波长光的吸收和衰减、目标距离和光源的光谱分布相关。由于蓝色波长较短且传播距离长，因此，水下图像呈现蓝绿色。人工光源的使用可以增加水下可视距离，但同时也会导致图像上亮斑存在，而且使用人工光源会导致水下悬浮物散射更加严重。因此水下图像存在低对比度、非均匀光照、模糊、亮斑和各种复杂因素导致的高噪声等特点，进而影响目标检测效果，此外水下生物目标小且分布密集，存在重叠遮挡现本文档来自技高网...

【技术保护点】

1.一种基于yolov8-CA-AFPN模型的海洋垃圾目标检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于yolov8-CA-AFPN模型的海洋垃圾目标检测方法，其特征在于，所述步骤S1的具体步骤为：

3.根据权利要求1所述的一种基于yolov8-CA-AFPN模型的海洋垃圾目标检测方法，其特征在于，采用C2f-CA替换yolov8的骨干网络中C2f模块，C2f-CA模块在C2f模块的骨干分支Conv模块和Bottleneck模块之间增加一个CA(Coordinate attention)模块，以提高浅层特征的提取能力，所述步骤S2的具体步骤...

【技术特征摘要】

1.一种基于yolov8-ca-afpn模型的海洋垃圾目标检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于yolov8-ca-afpn模型的海洋垃圾目标检测方法，其特征在于，所述步骤s1的具体步骤为：

3.根据权利要求1所述的一种基于yolov8-ca-afpn模型的海洋垃圾目标检测方法，其特征在于，采用c2f-ca替换yolov8的骨干网络中c2f模块，c2f-ca模块在c2f模块的骨干分支conv模块和bottleneck模块之间增加一个ca(coordinate ...

【专利技术属性】
技术研发人员：张彪，朱振洋，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：