本发明专利技术涉及一种水下鱼类目标检测方法和装置。所述水下鱼类目标检测方法通过采用目标检测主干网络，能够有效的提取并融合输入的水下鱼类图像全局相关性特征和局部相关性特征，增强了特征提取和复用能力，并且，通过采用目标检测网络模型，基于目标检测主干网络得到的融合特征得到包含目标分类信息和目标位置信息的目标检测结果，能够显著提高目标检测的精度。度。度。
【技术实现步骤摘要】
一种水下鱼类目标检测方法及装置
[0001]本专利技术涉及图像数据处理
，特别是涉及一种水下鱼类目标检测方法及装置。
技术介绍
[0002]评估鱼类物种的多样性和检测鱼类种群的变化十分重要，同时使用非破坏性和自动化的方法进行鱼类物种检测，以降低人工检测的劳动力成本和时间成本也极具意义。基于机器视觉的鱼类检测方法可以有效的分类和定位鱼类目标，检测鱼类的生物多样性，为生态系统检测和海洋资源评估提供重要的数据支持。但是由于从真实环境中获取的图像呈现出很多问题，包括小目标、低光照、高噪声、模糊、背景复杂、鱼与背景的颜色相似度、遮挡、成像设备等问题。这些问题会极大的干扰水下鱼类目标检测的精度，对于水下鱼类检测任务而言极具挑战性。
[0003]传统的图像处理方法只考虑图像的浅层信息，如颜色、纹理、形状等信息对水下鱼类进行检测。此类方法需要人工选择检测目标的特征，如形状、周长等，所选择的特征对最终的精度影响很大。面对水下多变的背景环境，卷积神经网络因其感受野是局部的，无法更为高效的提取图像的全局特征。如申请号为202011373485.0的中国专利技术专利提供了一种水下鱼类目标检测方法，主要是通过增加辅助网络提取特征并进行主干网络和辅助网络的特征相减融合。由于辅助网络的加入，在很大程度上增加了模型的参数，导致模型的检测速度变慢。基于此，通过牺牲检测速度换取检测精度的提高并不是合适的解决方案，其整个检测框架均是使用卷积神经网络，没有更好的利用输入图像的全局相关性特征。
[0004]虽然目标检测算法发展迅速、应用广泛，但是基于传统的水下鱼类目标检测算法和基于卷积神经网络的算法，没有进一步考虑图像全局相关性特征的提取，在背景多变、鱼类运动、光线不足等复杂的水下环境中表现一般。
技术实现思路
[0005]针对现有技术存在的上述问题，本专利技术提供了一种水下鱼类目标检测方法及装置。
[0006]为实现上述目的，本专利技术提供了如下方案：一种水下鱼类目标检测方法，包括：获取水下鱼类图像和目标检测主干网络；所述目标检测主干网络包括：视觉自注意力路径、卷积神经网络路径和特征融合模块；将所述水下鱼类图像输入至所述目标检测主干网络中得到融合特征；将所述融合特征输入至目标检测网络模型得到目标检测结果；所述目标检测结果包括：目标分类信息和目标位置信息；所述目标检测网络模型通过带有标注信息的水下鱼类图像数据集训练得到。
[0007]优选地，所述将所述水下鱼类图像输入至所述目标检测主干网络中得到融合特
征，具体包括：将所述水下鱼类图像输入所述视觉自注意力路径得到全局相关性特征；将所述水下鱼类图像输入所述卷积神经网络路径得到局部相关性特征；融合所述全局相关性特征和所述局部相关性特征得到融合特征；所述融合特征包括：第一输出特征、第二输出特征、第三输出特征和第四输出特征。
[0008]优选地，所述特征融合模块包括：第一特征融合子模块、第二特征融合子模块、第三特征融合子模块和第四特征融合子模块；所述视觉自注意力路径和所述卷积神经网络路径均包括四个特征提取模块；所述水下鱼类图像分别输入所述视觉自注意力路径的第一个特征提取模块和所述卷积神经网络路径的第一个特征提取模块，所述视觉自注意力路径的第一个特征提取模块的输出特征与所述卷积神经网络路径的第一个特征提取模块的输出特征经所述第一特征融合子模块融合后，得到第一输出特征；将所述第一输出特征输入至所述目标检测网络模型；将所述第一输出特征分别输入所述视觉自注意力路径的第二个特征提取模块和所述卷积神经网络路径的第二个特征提取模块，所述视觉自注意力路径的第二个特征提取模块的输出特征与所述卷积神经网络路径的第二个特征提取模块的输出特征经所述第二特征融合子模块融合后，得到第二输出特征；将所述第二输出特征输入至所述目标检测网络模型；将所述第二输出特征分别输入所述视觉自注意力路径的第三个特征提取模块和所述卷积神经网络路径的第三个特征提取模块，所述视觉自注意力路径的第三个特征提取模块的输出特征与所述卷积神经网络路径的第三个特征提取模块的输出特征经所述第三特征融合子模块融合后，得到第三输出特征；将所述第三输出特征输入至所述目标检测网络模型；将所述第三输出特征分别输入所述视觉自注意力路径的第四个特征提取模块和所述卷积神经网络路径的第四个特征提取模块，所述视觉自注意力路径的第四个特征提取模块的输出特征与所述卷积神经网络路径的第四个特征提取模块的输出特征经所述第四特征融合子模块融合后，得到第四输出特征；将所述第四输出特征输入至所述目标检测网络模型。
[0009]优选地，所述将所述融合特征输入至目标检测网络模型得到目标检测结果，具体包括：将所述第一输出特征、所述第二输出特征、所述第三输出特征和所述第四输出特征输入至所述目标检测网络模型的颈部组件进行特征融合，得到第五输出特征；所述第五输出特征包括：第一特征图、第二特征图、第三特征图和第四特征图；将所述第一输出特征、所述第二输出特征、所述第三输出特征、所述第四输出特征和所述第五输出特征均输入至所述目标检测网络模型的区域提议网络组件进行候选框筛选，得到候选区域特征层；将所述候选区域特征层输入至所述目标检测网络模型的多级检测器中得到目标检测结果。
[0010]优选地，所述将所述第一输出特征、所述第二输出特征、所述第三输出特征和所述
第四输出特征输入至所述目标检测网络模型的颈部组件进行特征融合，得到第五输出特征，具体包括：所述第一输出特征、所述第二输出特征、所述第三输出特征和所述第四输出特征输入至所述目标检测网络模型的颈部组件中，经特征内容感知重组上采样、最大池化层、卷积层、归一化层后得到第一特征图、第二特征图、第三特征图和第四特征图。
[0011]优选地，采用带有标注信息的水下鱼类图像数据集训练所述目标检测网络模型时，设置网络训练过程中的超参数，以标注信息为真实值和网络训练过程中的预测值进行损失计算。
[0012]优选地，采用带有标注信息的水下鱼类图像数据集训练所述目标检测网络模型时，设置网络训练过程中的超参数，以标注信息为真实值和网络训练过程中的预测值进行损失计算，使用跷板损失分类损失对模型进行训练。
[0013]优选地，采用带有标注信息的水下鱼类图像数据集训练所述时，设置网络训练过程中的超参数，使用多尺度训练策略对所述目标检测网络模型进行训练。
[0014]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：本专利技术提供的水下鱼类目标检测方法，通过采用目标检测主干网络，能够有效的提取并融合输入的水下鱼类图像全部相关性特征，增强了特征提取和复用能力，并且，通过采用目标检测网络模型，基于目标检测主干网络得到的融合特征得到包含目标分类信息和目标位置信息的目标检测结果，能够显著提高目标检测的精度。
[0015]对应于上述提供的水下鱼类目标检测方法，本专利技术还提供了以下实施系统：其中一种为水下鱼类目标检测装置，该装置包括：图像采集模块，用于获取水下鱼类图像；图像处理模块，与所述图像采集模块连接，植入有实施上述水下鱼类目标检测方法的本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种水下鱼类目标检测方法，其特征在于，包括：获取水下鱼类图像和目标检测主干网络；所述目标检测主干网络包括：视觉自注意力路径、卷积神经网络路径和特征融合模块；将所述水下鱼类图像输入至所述目标检测主干网络中得到融合特征；将所述融合特征输入至目标检测网络模型得到目标检测结果；所述目标检测结果包括：目标分类信息和目标位置信息；所述目标检测网络模型通过带有标注信息的水下鱼类图像数据集训练得到。2.根据权利要求1所述的水下鱼类目标检测方法，其特征在于，所述将所述水下鱼类图像输入至所述目标检测主干网络中得到融合特征，具体包括：将所述水下鱼类图像输入所述视觉自注意力路径得到全局相关性特征；将所述水下鱼类图像输入所述卷积神经网络路径得到局部相关性特征；融合所述全局相关性特征和所述局部相关性特征得到融合特征；所述融合特征包括：第一输出特征、第二输出特征、第三输出特征和第四输出特征。3.根据权利要求2所述的水下鱼类目标检测方法，其特征在于，所述特征融合模块包括：第一特征融合子模块、第二特征融合子模块、第三特征融合子模块和第四特征融合子模块；所述视觉自注意力路径和所述卷积神经网络路径均包括四个特征提取模块；所述水下鱼类图像分别输入所述视觉自注意力路径的第一个特征提取模块和所述卷积神经网络路径的第一个特征提取模块，所述视觉自注意力路径的第一个特征提取模块的输出特征与所述卷积神经网络路径的第一个特征提取模块的输出特征经所述第一特征融合子模块融合后，得到第一输出特征；将所述第一输出特征输入至所述目标检测网络模型；将所述第一输出特征分别输入所述视觉自注意力路径的第二个特征提取模块和所述卷积神经网络路径的第二个特征提取模块，所述视觉自注意力路径的第二个特征提取模块的输出特征与所述卷积神经网络路径的第二个特征提取模块的输出特征经所述第二特征融合子模块融合后，得到第二输出特征；将所述第二输出特征输入至所述目标检测网络模型；将所述第二输出特征分别输入所述视觉自注意力路径的第三个特征提取模块和所述卷积神经网络路径的第三个特征提取模块，所述视觉自注意力路径的第三个特征提取模块的输出特征与所述卷积神经网络路径的第三个特征提取模块的输出特征经所述第三特征融合子模块融合后，得到第三输出特征；将所述第三输出特征输入至所述目标检测网络模型；将所述第三输出特征分别输入所述视觉自注意力路径的第四个特征提取模块和所述卷积神经网络路径的第四个特征提取模块，所述视觉自注意力路径的第四个特征提取模块的输出特征与所述卷积神经网络路径的第四个特征提取模块的输出特征经所述第四特征融合子模块融合后，得到第四输出特征；将所述第四输出特征输入至所述目标检测网...
【专利技术属性】
技术研发人员：刘金存，刘杨，安冬，位耀光，李道亮，
申请(专利权)人：中国农业大学，
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。