[發明專利]一種基于改進的YOLOv3的微藻識別方法

在審

• 申請號: 202110089255.X
• 申請日: 2021-01-22
• 公開（公告）號: CN112784748A
• 公開（公告）日: 2021-05-11
• 發明（設計）人: 王俊生;曹夢穎;陳彥彤
• 申請（專利權）人: 大連海事大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 大連東方專利代理有限責任公司 21212
• 代理人: 姜玉蓉;李洪福

1.一種基于改進的YOLOv3的微藻識別方法，其特征在于，包括如下步驟：

S1、采集微藻顯微圖像，制作微藻圖像的數據集；

S2、對所述數據集進行數據增強；

S3、將增強后的數據集分為訓練集、驗證集和測試集，并對數據集中的微藻進行標注，生成XML格式的標注圖像；

S4、構建改進的YOLOv3目標檢測模型；

S5、設置訓練參數，基于數據集對構建的YOLOv3目標檢測模型進行訓練；

S6、基于訓練完成的YOLOv3目標檢測模型，對測試集圖像進行分類和定位。

2.根據權利要求1所述的基于改進的YOLOv3的微藻識別方法，其特征在于，所述步驟S1具體為：

通過Ts2-FL/TS2熒光顯微鏡將每種微藻在不同放大倍數及亮度下進行拍攝，且每種微藻圖像數量均等。

3.根據權利要求1所述的基于改進的YOLOv3的微藻識別方法，其特征在于，所述步驟S2具體為：

采用剪裁、平移、改變亮度、旋轉角度以及鏡像的變換方法，將數據集圖像縮放20％并進行局部模糊處理。

4.根據權利要求1所述的基于改進的YOLOv3的微藻識別方法，其特征在于，所述步驟S3具體為：

將增強后的數據集按照8:1:1的比例，且每種微藻圖像數量以均等的方式分為訓練集、驗證集和測試集。

5.根據權利要求1所述的基于改進的YOLOv3的微藻識別方法，其特征在于，所述步驟S4具體包括：

S41、采用輕量級Mobilenet網絡代替YOLOv3的原始特征提取darknet53網絡；

S42、引入空間金字塔池結構SPP模塊，在同一卷積層中以不同尺度合并和連接區域特征；

S43、采用CIoU函數作為微藻識別的分類損失函數優化損耗功能。

6.根據權利要求5所述的基于改進的YOLOv3的微藻識別方法，其特征在于，所述步驟S41具體為：

S411、MobileNet網絡將常規卷積分解為深度卷積和逐點卷積；

S412、深度卷積將標準卷積分為兩個單獨的層，用于過濾和合并；

S413、逐點卷積通過使用1×1卷積來組合輸出深度卷積；

S414、基于上述分解，深度可分離卷積計算成本為：

C₁＝D_K×D_K×M×D_F×D_F+M×N×D_F×D_F

上式中，M表示輸入通道數，N表示輸出特征圖的通道數，D_K表示卷積運算內核的長和寬，D_F表示輸入與輸出特征圖的寬度與高度；

S415、在輸入與輸出圖像尺寸一致的情況下，傳統卷積的計算成本為：

C₂＝D_K×D_K×M×N×D_F×D_F

S416、將深度可分離卷積計算成本和傳統卷積的計算成本的計算量相對比，得到深度可分離卷積與傳統卷積計算量的比值為：

7.根據權利要求5所述的基于改進的YOLOv3的微藻識別方法，其特征在于，所述步驟S42具體為：

將空間金字塔池結構SPP摻雜在特征網絡最后一個特征層的卷積里，在特征網絡的最后一個特征層進行三次卷積后，分別利用四個不同尺度的最大池化進行處理，得到同樣長度的池化特征。