[發明專利]水下魚類目標檢測方法及裝置

在審

• 申請號: 202011373485.0
• 申請日: 2020-11-30
• 公開（公告）號: CN112528782A
• 公開（公告）日: 2021-03-19
• 發明（設計）人: 周超;趙振錫;孫傳恒;楊信廷;劉楊;徐大明
• 申請（專利權）人: 北京農業信息技術研究中心
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 郭亮

1.一種水下魚類目標檢測方法，其特征在于，包括：

獲取水下相機拍攝的待檢測圖像和無檢測目標時的背景圖像；

將含有目標對象的待檢圖像和不含有目標對象的背景圖片，分別輸入預設的目標識別網絡模型的主干網絡和輔助網絡，分別提取特征并進行主干網絡和輔助網絡的特征相減融合，根據相減融合后特征，輸出標有魚類定位信息的圖片檢測結果；

其中，所述目標識別網絡模型，根據已知目標對象作為標簽的待檢圖像和背景圖像作為樣本訓練后得到。

2.根據權利要求1所述的水下魚類目標檢測方法，其特征在于，所述分別輸入預設的目標識別網絡模型的主干網絡和輔助網絡，分別提取特征并進行主干網絡和輔助網絡的特征相減融合，包括：

將含有目標對象的待檢圖像通過主干網絡，及不含有目標對象的背景圖片通過輔助網絡，分別經淺層信息提取層輸出初步特征，再依次通過主干網絡的四個殘差塊和輔助網絡的三個殘差塊進行特征處理；

將主干網絡的淺層信息提取層的輸出與輔助網絡的第一殘差塊的輸出進行特征相減融合，主干網絡的第一殘差塊輸出與輔助網絡的第二殘差塊的輸出進行特征相減融合，主干網絡的第二殘差塊輸出與輔助網絡的第三殘差塊的輸出進行特征相減融合，結合主干網絡的第三殘差塊輸出和第四殘差塊輸出，得到相減融合后的四層特征。

3.根據權利要求2所述的水下魚類目標檢測方法，其特征在于，根據相減融合后特征，輸出標有魚類定位信息的圖片檢測結果，包括：

將相減融合后的四層特征，進行特征融合；

將融合后特征，輸入RPN網絡生成目標區域候選框；

將所述目標區域候選框，輸入多聯檢測器進行候選框篩選和分類，得到標有魚類定位信息的圖片檢測結果。

4.根據權利要求3所述的水下魚類目標檢測方法，其特征在于，將相減融合后的四層特征，進行特征融合，包括：

將相減融合后的四層特征x¹,x²,x³和x⁴，以特征圖作為輸入，依次經過卷積層和批歸一化層得到p1、p2、p3、p4；

然后將p4、p3、p2均向下經PixelShuffle結構上采樣，進行多尺度融合得到N4、N3、N2和N1；

p1、p2、p3、p4定義為：

其中，g(·)是PixelShuffle上采樣方式將輸入特征信息重建放大操作；N_i是多尺度高低層信息融合后的特征信息(i＝0,1,2,3,4)；N_i的計算公式為：

其中，D(·)是下采樣非線性轉換；fpnconv(·)是卷積操作。

5.根據權利要求2所述的水下魚類目標檢測方法，其特征在于，所述依次通過主干網絡的四個殘差塊和輔助網絡的三個殘差塊進行特征處理，包括根據如下公式進行特征提取：

x^l＝F^l(x^l-1-upconv(y^l)),l≥2；

其中，F^l(·)為主干網絡中第l-1層的殘差塊輸入到下一層中的非線性轉換；x^l,y^l分別為主干網絡和輔助網絡第l層殘差塊輸出的特征信息；upconv(·)表示復合連接。

6.根據權利要求1所述的水下魚類目標檢測方法，其特征在于，將含有目標對象的待檢圖像和不含有目標對象的背景圖片，分別輸入預設的目標識別網絡模型的主干網絡和輔助網絡之前，還包括：

將含有已知目標對象的待檢圖像和不含有目標對象的背景圖片作為檢測網絡的輸入，對應的含有標注信息的待檢圖像樣本作為目標檢測網絡的預期輸出，設置網絡初始參數，對構建的目標識別網絡模型進行訓練。

7.根據權利要求6所述的水下魚類目標檢測方法，其特征在于，所述設置網絡初始參數，對構建的目標識別網絡模型進行訓練，包括使用如下損失函數進行訓練：

其中，γ為聚焦參數，γ＝0；y′是經過激活函數的輸出，在0-1之間；α為平衡因子。