[发明专利]一种基于深度学习的海洋生物智能检测方法

权利要求书

1.一种基于深度学习的海洋生物智能检测方法，其特征在于：包括以下步骤；

步骤S1、海洋生物图像预处理，具体为：针对海洋生物图像，采用RGHS算法对水下所拍摄的图像进行数据增强，生成数据增强后的海洋生物图像；运用LabelImg工具标注出每一幅图像中的海洋生物的位置和类别，并按照预设比例划分为训练集、验证集和测试集；

步骤S2、构建并行注意力YoloV4目标检测网络，所述并行注意力分别为空间域注意力和通道域注意力；所述YoloV4目标检测网络为嵌入并行注意力机制的并行注意力YoloV4目标检测网络；

步骤S3、训练并行注意力YoloV4目标检测网络：利用大型网络公开数据集ImageNet对并行注意力YoloV4目标检测网络进行预训练，得到预训练模型；利用Mosaic数据增强方法随机把海洋生物图像训练集中的多幅图片拼接为一张图片来生成新的训练数据集，对所得到的预训练模型进行训练；

步骤S4、重新训练并行注意力YoloV4目标检测网络，利用重新训练后所得到的并行注意力YoloV4目标检测网络对测试集中图像进行检测。

2.根据权利要求1所述的一种基于深度学习的海洋生物智能检测方法，其特征在于：步骤S1中按照9:1的比例将海洋生物图像数据集划分为训练集、验证集和测试集，将训练集和验证集一起加入训练，并在训练的过程中将训练验证集按9:1划分参与训练。

3.根据权利要求1所述的一种基于深度学习的海洋生物智能检测方法，其特征在于：所述并行注意力YoloV4目标检测网络结构包括四个部分，第一部分为CSPDarkNet53主干特征提取网络；第二部分为SPP+PANet，即空间金字塔池化网络和路径聚合网络；第三部分为并行注意力机制部分；第四部分是YoloHead用获取到的特征进行预测。

4.根据权利要求3所述的一种基于深度学习的海洋生物智能检测方法，其特征在于：所述方法中，空间金字塔池化网络即空间金字塔池化层SPP，掺杂在CSPDarkNet53最后一个卷积层中，分别利用四个不同尺度的最大池化Maxpool进行处理；最大池化的池化核大小分别为13×13、9×9、5×5、1×1；其中1×1即无处理，用于极大地增加感受野及分离出最为显著的上下文信息；

路径聚合网络PANet用于实现对特征的反复提取，实现特征融合从浅到深和从深到浅的过程；其具体操作为：步骤S4中，通过CSPDarkNet53分别提取出浅层特征、中层特征、深层特征P₁、P₂、P₃；利用SPP网络中四种不同大小池化核的最大池化层提取出P₃中较为显著的特征，之后同时利用五次卷积、上采样、下采样将深层特征P₃与中层特征P₂、浅层特征P₁进行特征融合；

通过SPP与PANet所获得的P₁、P₂、P₃在经过并行注意力机制后分别对应Yolo Head预测网络中13×13×18、26×26×18、52×52×18三种不同尺寸的预测结果，实现对大、中、小海洋生物目标的检测。

5.根据权利要求4所述的一种基于深度学习的海洋生物智能检测方法，其特征在于：所述方法在PANet和YoloHead中间部分引入并行注意力机制，具体为卷积后获得的特征基础上，利用空间域注意力和通道域注意力提取其权重系数，并与原始特征相乘。

6.根据权利要求1所述的一种基于深度学习的海洋生物智能检测方法，其特征在于：步骤S3中，利用Mosaic数据增强方法随机把海洋生物图像训练集中的四幅图片拼接为一张图片来生成新的训练数据集，对所得到的预训练模型进行重新训练；

重新训练时，训练中设置batchsize为8、学习率为1×10^-3、最大迭代次数为100；每一轮训练结束后采用验证集对并行注意力机制YoloV4目标检测网络训练效果进行评价；验证过程中采用标签平滑方法来降低少量错误标签对并行注意力YoloV4目标检测网络整体性能的影响。