[發(fā)明專利]一種基于yolov5優(yōu)化的海底生物目標(biāo)檢測方法和系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202210095105.4
• 申請日: 2022-01-26
• 公開（公告）號: CN114596480A
• 公開（公告）日: 2022-06-07
• 發(fā)明（設(shè)計）人: 楊偉志;趙小蕾;張海;曾青青;王玉娟;黎丹雨;劉少江;鐘志杰
• 申請（專利權(quán)）人: 廣州新華學(xué)院
• 主分類號: G06V20/05
• 分類號: G06V20/05;G06V10/774;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廣州粵高專利商標(biāo)代理有限公司 44102
• 代理人: 禹小明

1.一種基于yolov5優(yōu)化的海底生物目標(biāo)檢測方法，其特征在于，包括以下步驟：

S1：收集公開數(shù)據(jù)庫中的包含多種海底生物的圖像，處理得到原始數(shù)據(jù)集；

S2：對所述原始數(shù)據(jù)集進(jìn)行包括光線處理、海洋背景物體遮擋數(shù)據(jù)增強(qiáng)處理；

S3：對yolov5模型進(jìn)行優(yōu)化，得到用于海底生物目標(biāo)檢測的檢測模型；

S4：利用步驟S2數(shù)據(jù)增強(qiáng)處理后的數(shù)據(jù)集對步驟S3的檢測模型進(jìn)行訓(xùn)練學(xué)習(xí)，得到訓(xùn)練好的檢測模型；

S5：利用訓(xùn)練好的檢測模型進(jìn)行海底生物目標(biāo)檢測。

2.根據(jù)權(quán)利要求1所述的基于yolov5優(yōu)化的海底生物目標(biāo)檢測方法，其特征在于，所述步驟S1具體包括以下步驟：

S1.1：通過公開數(shù)據(jù)庫和爬蟲獲得包含多種海底生物的圖像；

S1.2：對所述圖像進(jìn)行篩選和標(biāo)注得到原始數(shù)據(jù)集。

3.根據(jù)權(quán)利要求2所述的基于yolov5優(yōu)化的海底生物目標(biāo)檢測方法，其特征在于，所述步驟S1.2中利用labelimg工具進(jìn)行標(biāo)注，得到標(biāo)注信息，所述標(biāo)注信息包括圖像中的物體類別、物體中心坐標(biāo)x和y及物體框的長和寬信息，其中物體框的長和寬信息為：物體框長和寬與圖片長和寬大小的比例。

4.根據(jù)權(quán)利要求1所述的基于yolov5優(yōu)化的海底生物目標(biāo)檢測方法，其特征在于，所述步驟S2具體包括以下步驟：

利用切換圖片背景顏色、調(diào)整光線亮度、為目標(biāo)物體增加不同的海底環(huán)境背景和增加海底生物遮擋的方式，增加數(shù)據(jù)集的多樣性和復(fù)雜性，其中調(diào)整光線亮度公式為：

g(x，y)＝a*f(x，y)+b

式中，f(x，y)為像素(x，y)的原數(shù)值，a和b為調(diào)節(jié)因子，g(x，y)為調(diào)整后的像素值。

遮擋方案為：取常見的海洋場景，包括石頭、海草和礁石作為遮擋物，隨機(jī)放于目標(biāo)物的上下左右四角或者中心，并通過調(diào)整遮擋物圖片的長和寬設(shè)置遮擋覆蓋范圍。

5.根據(jù)權(quán)利要求1所述的基于yolov5優(yōu)化的海底生物目標(biāo)檢測方法，其特征在于，所述步驟S3中對yolov5模型進(jìn)行優(yōu)化，具體為：

1)優(yōu)化yolov5網(wǎng)絡(luò)結(jié)構(gòu)，在原來yolov5網(wǎng)絡(luò)中多處增加分支和上采樣網(wǎng)絡(luò)層，并對其進(jìn)行分別連接操作，增加檢測頭，并為增加的檢測層分別增加對應(yīng)的3組anchor框，優(yōu)化后的yolov5結(jié)構(gòu)共有5組檢測頭，可以增強(qiáng)對小物體和大物體的檢測能力，具體為：原來yolov5網(wǎng)絡(luò)中的第3層引出分支，與后續(xù)添加的上采樣網(wǎng)絡(luò)層進(jìn)行連接操作；在原來yolov5網(wǎng)絡(luò)中的第10層后面添加一組卷積層，并引出分支與后續(xù)添加的的上采樣層進(jìn)行連接操作；

2)將yolov5原來的Conv模塊進(jìn)行優(yōu)化，在Conv模塊中修改卷積層激活函數(shù)為Half_Hardswish激活函數(shù)，所述Half_Hardswish激活函數(shù)如式所示：

3)在yolov5的backbone最后一層中，增加SE-HHslayer模塊；

4)在經(jīng)過2)優(yōu)化后的Conv模塊中增加CBAM注意力機(jī)制模塊；

5)對yolov5的BottleneckCSP模塊進(jìn)行優(yōu)化，將模塊內(nèi)的卷積層統(tǒng)一換為經(jīng)過2)優(yōu)化后的Conv模塊，并將原來的二分支結(jié)構(gòu)改為三分支結(jié)構(gòu)，三分支的輸出合并作為模塊的輸入，優(yōu)化后的BottleneckCSP模塊的特征圖映射如下式：

y1＝ConvHHs(x)

y2＝Bottleneck(ConvHHs(x))

y2＝Bottleneck(ConvHHs(x))

BottleneckCSP_Cat(x)＝Concat(y1，y2，y3)

式中，BottleneckCSP_Cat()為優(yōu)化后的BottleneckCSP模塊的輸出。

6.根據(jù)權(quán)利要求1所述的基于yolov5優(yōu)化的海底生物目標(biāo)檢測方法，其特征在于，所述步驟S4中利用步驟S2數(shù)據(jù)增強(qiáng)處理后的數(shù)據(jù)集對步驟S3的檢測模型進(jìn)行訓(xùn)練學(xué)習(xí)前，還包括步驟：

提取步驟S3的檢測模型的Backbone網(wǎng)絡(luò)部分，建立分類模型，在大規(guī)模海洋生物分類數(shù)據(jù)集上進(jìn)行預(yù)訓(xùn)練，得到預(yù)訓(xùn)練權(quán)重；

將所述預(yù)訓(xùn)練權(quán)重加載進(jìn)步驟S3的檢測模型中。