【技术实现步骤摘要】
本专利技术属于海洋生物图像处理，尤其涉及一种基于yolov5-led的水母识别分类方法。
技术介绍
1、随着近年来海洋环境污染和全球气候变化的加剧，世界多个海域频繁出现大型水母暴发现象,对海洋生态系统、海洋渔业、沿海工业和滨海旅游业造成了巨大损失。传统的水母识别方法通常是基于人工观察和手动分类的，其准确性和效率都存在一定的局限性。yolov5是一种基于深度学习的目标检测算法，具有快速、高效、准确的特点，该方法通过预训练得到物体检测框架和模型，并将自适应锚框嵌入到整体代码里，进一步采用灰度填充的方法避免目标变形。相比于传统的目标检测算法，yolov5能够在保持高检测精度的同时，实现更快的检测速度，适用于处理大规模的图像数据。由于水母数据的复杂性和实时性要求，采用基于yolov5的水母检测与识别算法能够更好地满足实际应用需求。
2、然而，yolov5算法受网络模型简化的影响使检测精度降低，在对一些小目标进行识别时存在不稳定现象，并且由于水母形态的特殊性，导致其需要大量的训练数据才能到达较高的准确率，此外其使用的ciou损失函数对纵横比的描述也存在一定模糊。
技术实现思路
1、为弥补现有技术的不足，本专利技术提供一种基于yolov5-led的水母识别分类方法，增强对不同尺度水母目标的检测能力，提高水母目标检测的精度和效率，进行模型的轻量化，减少目标重叠对边界框生成的影响，提高水母目标检测算法的鲁棒性和准确性，能够实现高效、准确的水母目标检测和分类。
2、本专利技术
3、本专利技术公开的基于yolov5-led的水母识别分类方法，包括以下步骤：
4、步骤1、基于yolov5构建yolov5-led水母识别分类模型，所述yolov5包括backbone模块、head模块、focus模块、c3模块、conv模块、bottleneck模块、spp模块，通过yolov5实现对水母目标的初步识别分类。在yolov5基础上进行如下三方面改进构建yolov5-led水母识别分类模型：(一)分别将conv模块中的卷积替换为ghost构建g-conv模块，将bottleneck模块中的卷积替换为ghost构建g-bottleneck模块，将c3模块中的卷积替换为ghost构建g-c3模块，通过g-conv模块显著减少yolov5-led模型的参数量，并且在不损失信息的情况下提高特征提取的效果，通过g-bottleneck模块降低参数量，加快模型的训练和推理速度，通过g-c3模块提取不同尺度的水母目标的特征信息，进一步改善yolov5-led水母识别分类模型的特征提取能力，即通过g-conv模块、g-bottleneck模块、g-c3模块中引入的ghost提高对水母目标的表达能力，减少yolov5-led水母识别分类模型的参数量，实现yolov5-led水母识别分类模型的轻量化；(二)在backbone模块中增加cbam注意力模块，共有5种引入方法，分别为将cbam加入到c3模块和conv模块之间，将cbam分别加入到c3模块和sppf模块之间以及sppf模块之后，将cbam加入到c3模块之后，将cbam融入c3模块构建c3cbam模块并将c3cbam模块加入到两层conv模块之间，将cbam融入c3模块构建c3cbam模块并将c3cbam模块加入到concat模块之后，引入cbam注意力机制以提升对水母目标种类的检测精度和减少误检率；(三)为适应识别不同大小型态的水母，在bottleneck模块中引入四尺度特征检测结构和双向特征金字塔结构改进yolov5中的panet结构，通过引入四尺度特征检测结构提高对水母目标检测识别的精度，通过加权双向特征金字塔结构优化通道连接并实现对水母目标图像特征的快速归一化融合。
5、将cbam注意力模块应用于yolov5-led水母识别分类模型的主干网络中，共有以下5种引入方法，分别为将cbam加入到c3模块和conv模块之间，将cbam分别加入到c3模块和sppf模块之间以及sppf模块之后，将cbam加入到c3模块之后，将cbam融入c3模块构建c3cbam模块并将c3cbam模块加入到两层conv模块之间，将cbam融入c3模块构建c3cbam模块并将c3cbam模块加入到concat模块之后，通过学习的方式自动获取每个水木图像特征通道和特征空间的重要程度，关注水母目标图像中的主要信息，提升对水母目标的检测精度。cbam注意力模块基于通道注意力子模块和空间注意力子模块实现。通道注意力子模块通过全局平均池化和全连接层实现，用于调整特征图在通道维度上的重要性，以提取图像中的关键特征；空间注意力子模块通过空间金字塔池化和全连接层实现，实现对特征图空间维度的调整。通过结合通道注意力和空间注意力，cbam注意力模块能够动态地调整特征图在通道和空间维度上的重要性，使yolov5-led水母识别分类模型能够更好地关注水母目标图像中的预设主要信息，从而，提升对水母目标的检测精度。通道注意力机制表达式如式(1)所示，空间注意力机制表达式如式(2)所示：
6、
7、
8、其中，f表示一个h×w×c的特征；f′表示特征f应用通道注意力机制之后的特征；f”表示特征f′应用空间注意力机制之后的特征；mc(f)表示特征f的通道注意力；ms(f′)表示特征f’的空间注意力；表示矩阵乘积操作。
9、通过式(1)(2)引入cbam注意力机制使yolov5-led水母识别分类模型在水母检测任务中更加关注水母目标的重要特征，提高模型的感知能力和判别能力。通过自适应地学习图像中的通道和空间信息，能够增强模型对水母目标的关注度，从而提高水母检测的精度和鲁棒性。
10、在bottleneck模块中引入四尺度特征检测结构增强对不同尺度水母目标的检测能力。在原始的输出特征图基础上增加一个检测尺度，能够更好地捕捉水母目标的细节信息，提高对小尺度水母目标的检测能力。通过引入四尺度特征检测结构能够全面地捕捉水母目标的多尺度特征，为yolov5-led水母识别分类模型提供更全面的上下文信息，提高水母检测算法的鲁棒性和准确性。
11、在bottleneck模块中引入加权双向特征金字塔结构，反复应用自顶向下和自底向上的多尺度特征融合，优化panet的通道连接，删除非必要节点，添加两个跨层连接。通过如式(3)所示的加权双向特征金字塔实现对水母目标图像特征的快速归一化融合：
12、
13、其中，o表示加权求和后的输出；ii表示图像特征；ωi表示一个对应特征ii可学习的权重，ωi≥0；ε表示预设的微小量，取10-4。
14、步骤2、采用kl散度和eiou分别作为衡量yolov5-led水母识别分类模型置信度损失和预测框损失的衡量标准，使目标框适应水母目标的特点，在训练yolov5-led水母识别分类模型时更加稳定。构建cluster nms算法代替加权nms算法，将候选框聚类为若干个本文档来自技高网...
【技术保护点】
1.基于YOLOv5-LED的水母识别分类方法，其特征在于：包括以下步骤，
2.如权利要求1所述的基于YOLOv5-LED的水母识别分类方法，其特征在于：步骤1中，
3.如权利要求2所述的基于YOLOv5-LED的水母识别分类方法，其特征在于：步骤2中，
【技术特征摘要】
1.基于yolov5-led的水母识别分类方法，其特征在于：包括以下步骤，
2.如权利要求1所述的基于yolov5-led的水母...
【专利技术属性】
技术研发人员：高美静，解运佳，傅昊翔，燕永浩，王昆达，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。