[发明专利]一种基于注意力机制和DropBlock的YOLOv5海洋鱼类目标检测方法

权利要求书

1.一种基于注意力机制和DropBlock的YOLOv5海洋鱼类目标检测方法，其特征在于，它包括以下步骤：

步骤1：进行目标鱼类数据集的获取；

步骤2：对所获得的数据集进行标注、划分；

步骤3：构造加入注意力机制和DropBlock的YOLOv5海洋鱼类目标检测模型；

步骤4：采用所构造的海洋鱼类目标检测模型进行鱼类的检测。

2.根据权利要求1所述的方法，其特征在于，在步骤3中，所述模型的结构为：将由步骤2获得的鱼类数据集依次经过第一CBS模块---第二CBS模块---第一C3模块---第三CBS模块---第二C3模块---第四CBS模块---第三C3模块---第五CBS模块---第四C3模块---SPPF模块---第六CBS模块---第一Unsample模块---第一Concat模块---第五C3模块---第七CBS模块---第二Upsample模块---第二Concat模块---第六C3模块---第八CBS模块---第三Concat模块---第七C3模块---第九CBS模块---第四Concat模块---第八C3模块；

其中，第一Unsample模块的输出与第三C3模块的输出拼接并输入第一Concat模块；

第二Unsampale模块的输出与第二C3模块的输出拼接并输入第二Concat模块；

第六C3模块的输出输入第一卷积模块Conv的输入端，第一卷积模块Conv的输出作为第一输出结果；

第七C3模块的输出输入第二卷积模块Conv的输入端，第二卷积模块Conv的输出作为第二输出结果；

第八C3模块的输出输入第三卷积模块Conv的输入端，第三卷积模块Conv的输出作为第三输出结果；

第一输出结果、第二输出结果、第三输出结果合并以获得合并后的检测结果。

3.根据权利要求2所述的方法，其特征在于，第一C3模块为改进的C3模块，它包括C3模块以及与C3模块的输出连接的ECA模块；

在第一C3模块、第二C3模块、第三C3模块、第四C3模块和第五C3模块中，具体的结构为：C3模块包括两条支路，第一条支路包括依次串接的CBS模块、bottleneck；另一条支路包括CBS模块；两条支路的输出拼接后串接CBS模块，再与ECA模块连接。

4.根据权利要求3所述的方法，其特征在于，在ECA模块中，输入经过池化层，再经过卷积，最后经过Sigmoid激活函数得到输出，该输出与输入特征图相乘，其结果作为ECA模块的输出。

5.根据权利要求3所述的方法，其特征在于，第六C3模块为改进的C3模块，它包括DropBlock模块、与DropBlock模块的输出连接的C3模块、与C3模块的输出连接的ECA、与ECA的输出连接的SSA；

在第六C3模块、第七C3模块和第八C3模块中，具体的结构为：C3模块包括两条支路，第一条支路包括依次串接的CBS模块、bottleneck；另一条支路包括CBS模块；两条支路的输出拼接后串接CBS模块，再与ECA模块连接，再与SSA模块连接；

在DropBlock模块中，输入经过DropBlock丢弃局部区域信息得到输出；

在ECA模块中，输入经过池化层，再经过卷积，最后经过Sigmoid激活函数得到输出，该输出与输入特征图相乘，其结果作为ECA模块的输出；

在SSA模块中，输入分别经过全局最大池化层和全局平均池化层，得到W方向和H方向的特征图最大值，经过BN层，再经过卷积，最后经过Sigmoid激活函数得到输出，该输出与输入特征图相乘，其结果作为SSA模块的输出。

6.根据权利要求1所述的方法，其特征在于，在步骤2中，将由步骤1获取的数据集使用LabelImg标注软件进行手工校对和标注，得到对应的标签数据。

7.根据权利要求1所述的方法，其特征在于，在步骤4中，包括以下步骤：

4-1：将海洋鱼类训练集输入到步骤3中的网络中进行训练，调整模型的学习率、动量、迭代次数，采用余弦退火算法动态调整学习率；

4-2：将海洋鱼类测试集放入步骤4-1训练好的模型中，根据模型输出结果计算相关评价指标，来评价模型的性能；

若模型性能达不到预期，调整网络参数，重复步骤4-1和步骤4-2；通过计算精度(Accuracy)、查准率(Precision)、查全率(Recall)和参数量(Parameters)，对方法的性能进行度量；

精度计算公式如式(3)所示，查准率计算公式如式(4)所示，查全率计算公式如式(5)所示；

其中：TP表示真正例，FP表示假正例，FN表示假负例，TN表示真负例。