【技术实现步骤摘要】
本专利技术属于水下生物检测领域，尤其涉及一种基于yolov8模型的水下生物目标检测方法。
技术介绍
1、随着海洋牧场工程的兴起和海洋资源的开发利用，水下生物目标检测在探明海洋牧场水下资源的分布情况方面具有独特优势得到研究者越来越多的关注。随着深度学习理论的日趋完善，基于深度学习的目标检测方法在水下机器人探测、渔业养殖生物识别等领域得到了广泛应用。然而，由于水下光学特性和物理特性的影响，应用于深度学习的水下采集的图像会存在色偏、对比度低、模糊、噪声等质量问题，导致采集的图像中缺少清晰的轮廓特征和部分纹理信息，大大降低了目标检测的准确性。
2、传统的目标检测方法通常优先选出候选区域，再使用sift、hog等在不同的尺度空间上查找关键点，通过计算特征点周围的局部图像块的梯度直方图来描述特征，候选区域少时该方法检测效果较好，但当候选区域多时，计算量加大导致时间复杂度高，而且网络的特征提取能力减弱，检测精度不佳，因此无法将其运用在对实时性和精度要求高的海洋牧场水下目标检测场景中。
3、当前的基于卷积神经网络(convolutional neural networks,cnn)的深度学习目标检测算法普遍关注的是单个目标且背景简单的水下目标，针对复杂多变的水下环境，模型的泛化能力不足，而且在自然条件下，水下目标会因为光线被吸收和散射、水体流动等因素造成目标物体轮廓不清晰，导致模型检测精度低的问题，并且多目标遮挡堆叠、拍摄距离远等现象使得模型会出现漏检误检的问题。
技术实现思路
...【技术保护点】
1.一种基于YOLOv8模型的水下生物目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于YOLOv8模型的水下生物目标检测方法，其特征在于，
3.根据权利要求2所述的基于YOLOv8模型的水下生物目标检测方法，其特征在于，
4.根据权利要求1所述的基于YOLOv8模型的水下生物目标检测方法，其特征在于，
5.根据权利要求1所述的基于YOLOv8模型的水下生物目标检测方法，其特征在于，
6.根据权利要求1所述的基于YOLOv8模型的水下生物目标检测方法，其特征在于，
7.根据权利要求1所述的基于YOLOv8模型的水下生物目标检测方法，其特征在于，
8.根据权利要求1所述的基于YOLOv8模型的水下生物目标检测方法，其特征在于，
【技术特征摘要】
1.一种基于yolov8模型的水下生物目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于yolov8模型的水下生物目标检测方法，其特征在于，
3.根据权利要求2所述的基于yolov8模型的水下生物目标检测方法，其特征在于，
4.根据权利要求1所述的基于yolov8模型的水下生物目标检测方法，其特征在于，
...【专利技术属性】
技术研发人员：王骥，麦仁贵，罗焕芝，王腾，付雷，周涛，
申请(专利权)人：广东海洋大学，
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。