【技术实现步骤摘要】
本专利技术属于智能识别，具体公开了一种基于改进yolov9模型的鱼类异常行为检测方法。背景介绍鱼类是重要的食品资源，水产养殖业对全球农业经济至关重要。随着人口增长和经济发展，鱼类需求上升，养殖规模扩大，带来新机遇和挑战。高密度养殖环境下，鱼类可能面临多种问题，影响其数量、质量和福利，造成养殖业损失。因此，快速准确检测鱼类异常行为对养殖业至关重要。水产养殖者需要能检测鱼群异常行为，因为异常行为通常是疾病或压力的预警。计数异常行为的鱼可判断鱼群健康率。传统检测依赖人工检查和主观经验，耗时且易受主观因素影响，检测结果难以量化。水生动物对接触敏感，人工检测可能造成损伤或疾病。因此，需要自动检测技术以促进养殖业的可持续发展。计算机视觉技术提供了一种无损、快速检测鱼类行为的方法，成为研究热点。但传统方法需人工设计特征提取，面对大规模数据集和复杂任务时性能有限。深度学习模型因高效特征表达在水产养殖领域广泛应用，能从像素级提取信息，进行端到端检测。例如，为了识别表面有伤口的鱼，gupta等设计了一种基于二维图像的卷积神经网络用于鱼身上的伤口检测，可以对异常和正常的鱼进行分类，具有较高的识别准确率。yu等通过采用改进的yolov4模型实现了对鱼类四种常见皮肤病的检测，实现了静态特征的检测。但以上研究都侧重于对鱼体的特殊外表特征进行检测，忽略了鱼类行为中所包含的鱼群健康状况的信息。为了识别以鱼翻身为标志的死鱼现象，zhao等用轻量级的mobilenetv3网络代替特征提取骨干网络，减少参数量。他们通过可变形卷积提高了死鱼检测精度，并对yolov4模型进行了改进，然而，该方
技术介绍
技术实现思路
1、本专利技术为解决现有鱼类异常行为检测中存在的复杂水环境中检测效果差、特征丢失漏检，行为特征分析少、模型效果单一，精度和模型大小平衡难，难以满足快速检测需求等问题提出了一种基于改进yolov9模型的鱼类异常行为检测方法。
2、本专利技术提供了一种基于改进yolov9模型的鱼类异常行为检测方法，包括如下步骤：
3、s1.采集水域中的鱼类图像作为待检测图像，将所述待检测图像进行预处理，得到图像数据集；
4、s2.将yolov9模型的特征提取模块repncspelan4替换为drnelan4模块，将yolov9模型的head检测头替换为dcnv4-dyhead检测头，将yolov9模型的损失函数替换为ema-slideloss损失函数，得到改进yolov9模型；
5、s3.将步骤s1中预处理后得到的所述图像数据集输入到步骤s2获得的所述改进yolov9模型中，通过所述图像数据集训练所述改进yolov9模型，得到训练后的改进yolov9模型；
6、s4.将待检测的水域中鱼类图像输入步骤s3中得到的所述训练后的改进yolov9模型中，得到鱼类异常行为检测结果和鱼类个体目标的位置信息。
7、根据本申请一些实施例的一种基于改进yolov9模型的鱼类异常行为检测方法，所述步骤s1中，所述预处理包括调整图像的尺寸大小，并通过标签将图像中鱼类的异常行为进行标注。
8、根据本申请一些实施例的一种基于改进yolov9模型的鱼类异常行为检测方法，所述步骤s2中，所述drnelan4模块为通过将repncspelan4中的repconvn替换为dilatedreparam block得到。
9、根据本申请一些实施例的一种基于改进yolov9模型的鱼类异常行为检测方法，所述dilated reparam block通过一个非扩展的小核和多个扩展的小核来增强一个非扩展的大核转换层，所述dilated reparam block的超参数包括大核的大小、并行转换层的大小和扩张率。
10、根据本申请一些实施例的一种基于改进yolov9模型的鱼类异常行为检测方法，所述步骤s2中，所述dcnv4-dyhead检测头包括尺度感知注意力模块、空间感知注意力模块和任务感知注意力模块，所述dcnv4-dyhead检测头采用多头自注意机制，所述多头自注意机制用于将所述尺度感知注意力模块、空间感知注意力模块和任务感知注意力模块的输出叠加，如公式(1)所示：
11、w(f)＝πc(πs(πl(f)·f)·f)·f (1)
12、其中，w表示结合多头自注意机制，πc表示任务感知注意力模块，πs表示空间感知注意力模块，πl表示尺度感知注意力模块，f∈rl×s×c表示特征张量，r表示特征图，l表示特征图的层次，s表示特征图的宽高积，c表示特征图中的通道数，
13、所述尺度感知注意力模块πl用于在特征图的层次维度上根据不同尺度的语义重要性动态融合特征，如公式(2)所示：
14、
15、其中，σ表示激活函数，f表示线性函数，线性函数f使用1×1卷积运算，
16、所述空间感知注意力模块πs用于关注空间位置与特征层之间一致的判别区域，如公式(3)所示：
17、
18、其中，l∈(1,2,3,…l)，g为聚合基团的总数，g∈(1,2,3,…g)，对于第g组，wg∈rc×c′表示第g组与位置无关的投影权值，c′＝c/g表示第g组的维数，k表示稀疏采样位置本文档来自技高网...
【技术保护点】
1.一种基于改进YOLOv9模型的鱼类异常行为检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于改进YOLOv9模型的鱼类异常行为检测方法，其特征在于，所述步骤S1中，所述预处理包括调整图像的尺寸大小，并通过标签将图像中鱼类的异常行为进行标注。
3.根据权利要求1所述的一种基于改进YOLOv9模型的鱼类异常行为检测方法，其特征在于，所述步骤S2中，所述DRNELAN4模块为通过将RepNCSPELAN4中的RepConvN替换为Dilated Reparam Block得到。
4.根据权利要求3所述的一种基于改进YOLOv9模型的鱼类异常行为检测方法，其特征在于，所述Dilated Reparam Block通过一个非扩展的小核和多个扩展的小核来增强一个非扩展的大核转换层，所述Dilated Reparam Block的超参数包括大核的大小、并行转换层的大小和扩张率。
5.根据权利要求3所述的一种基于改进YOLOv9模型的鱼类异常行为检测方法，其特征在于，所述步骤S2中，所述DCNv4-Dyhead检测头包括尺度
6.根据权利要求5所述的一种基于改进YOLOv9模型的鱼类异常行为检测方法，其特征在于，所述步骤S2中，所述EMA-SlideLoss损失函数如公式(5)所示：
7.根据权利要求1-6任一项所述的一种基于改进YOLOv9模型的鱼类异常行为检测方法，其特征在于，所述步骤S3中，基于所述图像数据集训练所述改进YOLOv9模型，直至达到设定的学习轮次时完成训练，得到训练后的改进YOLOv9模型。
8.根据权利要求7所述的一种基于改进YOLOv9模型的鱼类异常行为检测方法，其特征在于，所述步骤S4包括如下步骤：
9.根据权利要求8所述的一种基于改进YOLOv9模型的鱼类异常行为检测方法，其特征在于，所述改进YOLOv9模型输出的鱼类异常行为检测结果包括正常、ph异常、低温异常、高温异常和缺氧异常。
...【技术特征摘要】
1.一种基于改进yolov9模型的鱼类异常行为检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于改进yolov9模型的鱼类异常行为检测方法，其特征在于，所述步骤s1中，所述预处理包括调整图像的尺寸大小，并通过标签将图像中鱼类的异常行为进行标注。
3.根据权利要求1所述的一种基于改进yolov9模型的鱼类异常行为检测方法，其特征在于，所述步骤s2中，所述drnelan4模块为通过将repncspelan4中的repconvn替换为dilated reparam block得到。
4.根据权利要求3所述的一种基于改进yolov9模型的鱼类异常行为检测方法，其特征在于，所述dilated reparam block通过一个非扩展的小核和多个扩展的小核来增强一个非扩展的大核转换层，所述dilated reparam block的超参数包括大核的大小、并行转换层的大小和扩张率。
5.根据权利要求3所述的一种基于改进yolov9模型的鱼类异常行为检测方法，其特征在于，所述步骤s2中，所述dcnv4-dyhead检测...
【专利技术属性】
技术研发人员：胡泽元，李尹佳，张艺爔，刘吉航，贾松怡，左宇棋，
申请(专利权)人：大连海洋大学，
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。