申请/专利权人：大连理工大学

申请日：2021-10-25

公开（公告）日：2024-04-09

公开（公告）号：CN113901944B

主分类号：G06V20/05

分类号：G06V20/05;G06V10/22;G06V10/44;G06V10/774;G06V10/764;G06V10/82;G06N3/0464;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2022.01.25#实质审查的生效;2022.01.07#公开

摘要：本发明涉及计算机视觉技术领域，提供一种基于改进的YOLO算法的海洋生物目标检测方法，包括：步骤100，采集海洋生物数据集；步骤200，对数据集进行预处理和数据增广；步骤300，构建使用可变形卷积改进的YOLOV3检测器；步骤400，在进行步骤200形成的数据集上训练模型；步骤500，部署训练好的模型用于海洋生物目标的检测任务。本发明能够提高海洋生物目标检测的精确性和可靠性。

主权项：1.一种基于改进的YOLO算法的海洋生物目标检测方法，其特征在于，包括以下步骤：步骤100，采集海洋生物数据集；步骤200，对数据集进行预处理和数据增广；步骤300，构建使用可变形卷积改进的YOLOV3检测器；步骤400，在进行步骤200形成的数据集上训练模型，包括如下步骤401至步骤406：步骤401，读取参数文件，加载在大规模图像分类数据集上预训练的模型权重；步骤402，从步骤200处理生成的数据集中读取图像，划分训练集和验证集；步骤403，将训练数据分批次输入到骨干网络中，经过连续的卷积处理，生成三张尺度分别为13*13、26*26和52*52的特征图，供后续特征融合；步骤404，通过上采样后再卷积的方式，融合三张不同尺度下的特征图上所包含的信息，供后续执行预测；步骤405，使用两分支的头部网络，在三张特征图上的每一个网格处各预测出三个目标框，并给出它们的位置信息和类别信息；步骤406，采用BBoxVoting的方法对目标框进行后处理，得到最终的预测结果；步骤500，部署训练好的模型用于海洋生物目标的检测任务；所述步骤200，对数据集进行预处理和数据增广，包括如下步骤：步骤201，读入数据集中的图像，采用直方图均衡化的方法，调整图像的灰度分布，生成图像集A；步骤202，读入图像集A中的图像，采用Flip的方法，随机翻转图像，增加数据集中不同视角下的样本数量，生成图像集B；步骤203，读入图像集A中的图像，采用Mixup的方法，随机融合图像，增加数据集中存在遮挡和密集分布现象的样本数量，生成图像集C；步骤204，读入图像集A中的图像，采用Crop的方法，随机裁剪图像，增加数据集中大尺度目标的样本数量，生成图像集D；步骤205，读入图像集A中的图像，采用Expand的方法，随机拼合图像，增加数据集中小尺度目标的样本数量，生成图像集E；步骤206，读入图像集A中的图像，统计不同类别样本的分布，采用Copy-Paste的方法，增加数据集中样本数较少的类别的样本数量，生成图像集F；步骤207，读入图像集A、B、C、D、E、F中的图像，将图像大小缩放到标准尺寸，生成待训练的图像集G；所述步骤300，构建改进的YOLOV3检测器，包括以下步骤：步骤301，构建输入层，用于接受水下图像输入；步骤302，构建使用可变形卷积块改进的骨干网络，用于提取特征；步骤303，构建使用可变形卷积块改进的第一大尺度检测头部网络，用于检测大尺度海洋生物；步骤304，构建使用可变形卷积块改进的第二中尺度检测头部网络，用于检测中尺度海洋生物；步骤305，构建使用可变形卷积块改进的第三小尺度检测头部网络，用于检测小尺度海洋生物；步骤306，将步骤301至305所构建网络进行组合，得到改进的YOLOV3检测器；改进的YOLOV3检测器中可变形卷积的计算，包括如下过程：获取上层卷积输出的特征图；对特征图进行卷积运算得到偏移矩阵；根据偏移矩阵得到含偏移的采样网格；根据含偏移的采样网格对特征图重新采样；对采样结果进行卷积运算并输出新的特征。

全文数据：

权利要求：

百度查询： 大连理工大学 一种基于改进的YOLO算法的海洋生物目标检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD