[發明專利]一種基于改進YOLOv5的丁香魚捕撈作業識別方法

在審

• 申請號: 202210292914.4
• 申請日: 2022-03-24
• 公開（公告）號: CN115063734A
• 公開（公告）日: 2022-09-16
• 發明（設計）人: 張勝茂;張佳澤;唐峰華;楊勝龍;張衡;樊偉;劉洋;朱文斌
• 申請（專利權）人: 中國水產科學研究院東海水產研究所
• 主分類號: G06V20/52
• 分類號: G06V20/52;G06V20/40;G06V10/776;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 上海泰能知識產權代理事務所(普通合伙) 31233
• 代理人: 宋纓

本發明涉及一種基于改進YOLOv5的丁香魚捕撈作業識別方法，包括以下步驟：獲取丁香魚捕撈作業的監控視頻數據；將所述監控視頻數據轉換為圖像數據；將所述圖像數據輸入至訓練好的識別模型中，得到丁香魚捕撈作業狀態；所述識別模型為引入注意力機制模塊的YOLOv5網絡。本實施方式將視頻監控作為模型的輸入，使得整個過程更為直觀，將注意力機制引入到模型主干網絡中，融合捕撈作業不同時期的目標信息，同時降低復雜背景的干擾，提高了模型檢測精度的同時還保證了實時檢測效率。

技術領域

本發明涉及漁船作業識別應用技術領域，特別是涉及一種基于改進YOLOv5的丁香魚捕撈作業識別方法。

背景技術

丁香魚是一種集群性強、生命周期短的中上層小型魚類，廣泛分布于我國的東海和渤海。因其肉質鮮美，營養豐富，常被用于飲食或調味品。長期以來，我國近海漁業呈現出過度捕撈的趨勢，魚類的種群結構出現了低齡化、小型化和首次性成熟等問題。因此，我國一直在不斷完善限額捕撈的制度具體實施細節，以此促進管理部門、漁民和科研人員對限額制度的了解，也大大提高了漁獲物監測的水平。

近年來，對于漁船作業的統計主要依靠人工記錄的方法，往往會出現漏記、錯記等現象，導致航次捕撈統計的結果不準確。隨著深度學習的發展，漁船作業統計的關鍵是對幾個主要的作業特征識別，識別特征的精度越高對后期的統計更加準確。因此，科學家們對漁船作業識別方法一直在不斷的探索。Feng Y等通過選取漁船的方向角和速度的變化趨勢作為模型的輸入參數，利用BP神經網絡算法識別對漁船的行為研究，識別精度為79％，但利用的數據為船位數據而不是視頻數據，因此并不直觀，精度有待提高。湯先峰等利用北斗漁船監控系統數據結合遷移學習和VGG16模型進行對比實驗，最終實現了94.3％的精度，成功判斷出拖網和刺網船，進一步輔助漁船管理。但該方法是基于漁船的軌跡判斷，目標特征較少，一旦出現相似軌跡或作業方式，判斷精度會有所下降，因此需進一步探索。

國內外研究漁船作業多數是基于AIS和VMS數據對漁船的作業類型和狀態進行識別，其往往是基于已繪制的捕撈漁船軌跡圖對漁船類型和作業狀態的識別，其存在以下缺點：目標特征較少，且捕撈漁船作業種類較多，分類方式標準也不同，因此特征軌跡并不一定準確。

發明內容

本發明所要解決的技術問題是提供一種基于改進YOLOv5的丁香魚捕撈作業識別方法，能夠提高識別精度。

本發明解決其技術問題所采用的技術方案是：提供一種基于改進YOLOv5的丁香魚捕撈作業識別方法，包括以下步驟：

獲取丁香魚捕撈作業的監控視頻數據；

將所述監控視頻數據轉換為圖像數據；

將所述圖像數據輸入至訓練好的識別模型中，得到丁香魚捕撈作業狀態；所述識別模型為引入注意力機制模塊的YOLOv5網絡。

所述步驟(2)與步驟(3)之間，還包括對所述圖像數據進行壓縮處理的步驟。

所述識別模型包括：輸入層，用于對所述圖像數據進行Mosaic數據增強、自適應圖片縮放以及K-means算法計算錨點坐標；主干網絡層，用于通過切片操作增加通道數量，并提取出特征信息；Neck層，用于使不同的特征信息之間進行相互融合，并將相互融合后的特征信息引入SENet注意力機制模塊進行處理；輸出層，用于輸出預測結果。

所述SENet注意力機制模塊包括：壓縮單元，用于利用一個平均池化層將輸入的H×W×C的特征信息壓縮為1×1×C的形式；激勵單元，用于使用全連接層對壓縮單元壓縮后的特征信息進行非線性變換；還原單元，用于將激勵單元的輸出與輸入的H×W×C的特征信息的二維矩陣相乘還原通道維數。

所述SENet注意力機制模塊的表達式為：其中，Mc(F)為特征圖輸出，σ()為Sigmoid函數，W₁和W₀分別為輸入共享權重，和為利用平均池化和最大池化在空間上生成的特征映射。