申请/专利权人：北京理工大学

申请日：2024-01-12

公开（公告）日：2024-04-16

公开（公告）号：CN117893737A

主分类号：G06V10/25

分类号：G06V10/25;G06V20/05;G06V10/764;G06V10/44;G06V10/771;G06V10/80;G06V10/82;G06N3/045;G06N3/0464

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.03#实质审查的生效;2024.04.16#公开

摘要：本发明公开的基于YOLOv5‑LED的水母识别分类方法，属于海洋生物图像处理技术领域。本发明实现方法为：在YOLOv5基础上，通过G‑Conv模块大幅度减少模型的参数量，并且在不损失信息的情况下提高特征提取的效果，通过G‑Bottleneck模块降低参数量，加快模型的训练和推理速度，通过G‑C3模块提取不同尺度的水母目标的特征信息，改善YOLOv5‑LED水母识别分类模型的特征提取能力。在Backbone模块中增加CBAM注意力模块。本发明能够增强对不同尺度水母目标的检测能力，提高水母目标检测的精度和效率，进行模型的轻量化，减少目标重叠对边界框生成的影响，提高水母目标检测算法的鲁棒性和准确性，能够实现高效、准确的水母目标检测和分类。

主权项：1.基于YOLOv5-LED的水母识别分类方法，其特征在于：包括以下步骤，步骤1、基于YOLOv5构建YOLOv5-LED水母识别分类模型，所述YOLOv5包括Backbone模块、Head模块、Focus模块、C3模块、Conv模块、BottleNeck模块、SPP模块，通过YOLOv5实现对水母目标的初步识别分类；在YOLOv5基础上进行如下三方面改进构建YOLOv5-LED水母识别分类模型：一分别将Conv模块中的卷积替换为Ghost构建G-Conv模块，将BottleNeck模块中的卷积替换为Ghost构建G-Bottleneck模块，将C3模块中的卷积替换为Ghost构建G-C3模块，通过G-Conv模块显著减少YOLOv5-LED模型的参数量，并且在不损失信息的情况下提高特征提取的效果，通过G-Bottleneck模块降低参数量，加快模型的训练和推理速度，通过G-C3模块提取不同尺度的水母目标的特征信息，进一步改善YOLOv5-LED水母识别分类模型的特征提取能力；二在Backbone模块中增加CBAM注意力模块，共有5种引入方法，分别为将CBAM加入到C3模块和Conv模块之间，将CBAM分别加入到C3模块和SPPF模块之间以及SPPF模块之后，将CBAM加入到C3模块之后，将CBAM融入C3模块构建C3CBAM模块并将C3CBAM模块加入到两层Conv模块之间，将CBAM融入C3模块构建C3CBAM模块并将C3CBAM模块加入到Concat模块之后，引入CBAM注意力机制以提升对水母目标种类的检测精度和减少误检率；三在BottleNeck模块中引入四尺度特征检测结构和双向特征金字塔结构改进YOLOv5中的PANet结构，通过引入四尺度特征检测结构提高对水母目标检测识别的精度，通过加权双向特征金字塔结构优化通道连接并实现对水母目标图像特征的快速归一化融合；步骤2、采用KL散度和EIOU分别作为衡量YOLOv5-LED水母识别分类模型置信度损失和预测框损失的衡量标准，使目标框适应水母目标的特点，在训练YOLOv5-LED水母识别分类模型时更加稳定；构建ClusterNMS算法代替加权NMS算法，将候选框聚类为若干个簇，每个簇代表一个物体目标；通过引入ClusterNMS算法，通过对多个检测框中水母目标物体进行并行加权处理，更全面地考虑候选框之间的相似性，提高训练YOLOv5-LED水母识别分类模型的准确性和鲁棒性，以应对目标框生成过程中的误检和漏检的问题；步骤3、采用水母目标图像数据，所述水母图像主要来源于两个方面：一是从ImageNet1k中获取预定数量的水母图像，二是通过实验室实地拍摄获得更多的水母图像数据；将所述水母图像数据集划分为训练集和测试集；为了增加识别种类的多样性，对所述水母数据集中的水母进行分类，根据网络查询结果，涵盖浅层、中层和深层水域中存在的12个水母种类；加入鱼类作为干扰项，使所述水母数据集中共涵盖了13种生物种类；步骤4：通过步骤3采用的水母数据集对优化后的YOLOv5-LED模型进行训练，设置学习率、批处理大小、权值初始化方式、优化方法、迭代次数；使用步骤3中构造的数据集作为训练YOLOv5-LED水母识别分类模型的输入，并利用步骤2构建的置信度损失和预测框损失的衡量标准，训练YOLOv5-LED水母识别分类模型，训练过程中，通过步骤2引入的ClusterNMS算法对多个检测框中水母目标物体进行并行加权处理，更全面地考虑候选框之间的相似性，提高训练YOLOv5-LED水母识别分类模型的准确性和鲁棒性，直至得到训练好的YOLOv5-LED水母识别分类模型；步骤5：利用步骤4训练好的YOLOv5-LED水母识别分类模型，对水母目标进行检测和分类，提高对水母目标检测、分类的精度和效率。

全文数据：

权利要求：

百度查询： 北京理工大学 基于YOLOv5-LED的水母识别分类方法

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