申请/专利权人：大连海洋大学

申请日：2021-12-20

公开（公告）日：2024-04-05

公开（公告）号：CN114299375B

主分类号：G06V20/05

分类号：G06V20/05;G06V40/10;G06V20/40;G06V10/25;G06V10/44;G06V10/80;G06V10/82;G06N3/0464

优先权：

专利状态码：有效-授权

法律状态：2024.04.05#授权;2022.04.26#实质审查的生效;2022.04.08#公开

摘要：本发明公开一种融合YOLOv4与可变形卷积的水下群体目标检测方法，是以卷积神经网络YOLOv4与可变形卷积进行融合并添加了自适应阈值输出作为网络模型，通过可变形卷积学习采样点的偏移量，从而将采样点移动到目标上，无需图像修复、图像增强以及复杂的网络结构，即可缓解水下图像模糊问题，同时通过将模块原始输入与带有偏移信息的输出结果拼接，缓解空间偏移导致的定位不准确问题。可以根据目标间的重叠程度进行自适应阈值输出，不仅可以优化损失函数，而且还为筛选提供灵活的阈值选择，从而缓解目标密集遮挡导致的漏检问题，提高水下群体目标检测的准确性及召回率。

主权项：1.一种融合YOLOv4与可变形卷积的水下群体目标检测方法，是将待检测的水下养殖群体目标图像送入网络模型中进行检测并采用NMS算法筛选，得到水下养殖群体的位置和分类信息，其特征在于所述网络模型按照如下步骤构建：步骤1.在真实水产养殖环境中收集水下养殖群体目标的视频数据，对视频数据进行预处理，获得水下养殖群体目标图片；步骤2.采用人机结合的半自动标注方法，对水下养殖群体目标图片进行标注；步骤3.搭建融合YOLOv4与可变形卷积的检测模型，具体是将网络模型YOLOv4中Neck部分的每个CBL*5模块的第二个模块CBL和第四个模块CBL替换为可变形卷积模块DBL，将每个CBL*5模块的第一个模块CBL的输入与第二个可变形卷积模块DBL的输出结果拼接，并将第五个CBL的卷积核设定为3*3；在网络模型YOLOv4的Prediction部分的YOLOHead卷积输出中添加自适应阈值输出；损失函数如下：LossO,o,C,c,l,g,T,P＝λ1Lconfo,c+λ2LclaO,C+λ3Llocl,g+λ4LadapT,P；LadapT,P＝-∑Tlnp+1-T·ln1-P；其中λ1，λ2，λ3，λ4为各部分权重系数，o是表示预测目标边界框中是否有目标真实存在的二值参数，c是目标真实存在的概率，O是表示预测目标边界框中是否有某类目标真实存在的二值参数，C为某类目标真实存在的概率，l是预测矩形框的坐标偏移量，g表示groundtruth矩形框与默认框之间的坐标偏移量；T是自适应阈值的真值，P为自适应阈值的预测结果，所述T的计算公式如下：T＝maxiouti,tj其中ti、tj是预测框的真值，iouti，tj是计算ti和、tj的交并比；步骤4：将标注好的图片分为训练部分和检测部分，对所搭建的融合YOLOv4与可变形卷积的检测模型进行训练；所述NMS算法筛选是先将预测输出的自适应阈值与固定阈值进行比较，选取最大值作为NMS算法的最终阈值进行运算。

全文数据：

权利要求：

百度查询： 大连海洋大学 融合YOLOv4与可变形卷积的水下群体目标检测方法

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