[发明专利]一种基于深度学习的海洋生物智能检测方法

说明书

本发明提出一种基于深度学习的海洋生物智能检测方法，包括以下步骤；步骤S1、海洋生物图像预处理；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：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，对测试集中图像进行检测；本发明能用于准确且快速检测出复杂海洋环境下的海洋生物，为水下机器人的捕捞做出技术支撑。

技术领域

本发明涉及深度学习及海洋海洋生物养殖及捕捞技术领域，尤其是一种基于深度学习的海洋生物智能检测方法。

背景技术

海洋所蕴藏的丰富资源是社会发展的重要依托，随着海洋养殖业蓬勃发展，传统的捕捞作业暴露出了许多显而易见的问题。例如耗时较长、人工作业安全系数较低、培养工作人员时间周期较长等缺点。这些缺点无不制约着捕捞行业的进一步发展。近年来随着信息化的浪潮，水下机器人技术的逐步成熟和应用，目标检测也被应用于水下机器人捕捞作业中。但是相应的，水下机器人应用在水下的实际复杂环境时，同样也面临着许多问题。诸如水下光线较暗，海洋生物易受泥沙遮挡、分布不均匀等问题。因此为了克服上述困难，设计一种可靠的目标检测算法具有重要意义。

在海洋生物检测领域中，图像识别的应用可分为两个大类：一是以传统的目标检测方法一般是由图像特征提取和特征学习两个相对独立的过程来完成。二是深度学习的方法。相较于深度学习的方法，传统的目标检测方法不仅费时费力，并且大部分仅限于较为特定的物种，缺乏一定的通用性。随着深度学习的发展，将深度学习的方法应用于水下目标检测是当今水下生物识别的热门方向。当前，将深度学习应用于海洋生物识别的研究领域中，大多数方法集中于图像的预处理，却忽视了部署到实际的水下机器人有关于参数量的要求，必须在提升精度的同时保证参数量的开销较小，才能做到及时的识别与处理。

发明内容

本发明提出一种基于深度学习的海洋生物智能检测方法，能用于准确且快速检测出复杂海洋环境下的海洋生物，为水下机器人的捕捞做出技术支撑。

一种基于深度学习的海洋生物智能检测方法，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。

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。

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。