[发明专利]基于跨尺度分层特征融合对类内遮挡的乌鳢检测的方法

说明书

本发明涉及基于跨尺度分层特征融合对类内遮挡的乌鳢检测的方法，属于深度学习技术领域。本申请的方法，包括图像采集、图像处理及网络模型；采集后的图像进行标注，调整图像尺寸得到输入图像，输入到目标检测网络，经过卷积整合，插入跨尺度分层特征融合模块，其特征在于，将输入跨尺度分层特征融合模块的所有特征分为n层，共由s个特征映射子集组成，每个特征映射子集都会与其他特征映射子集进行特征上的融合，最后进行连接，实现完整的信息融合，经卷积操作后，输出训练结果；然后利用损失函数进行网络参数调整，经过多次训练迭代后，得到适用于网络模型的参数；最后将输出的候选框输入到非极大值抑制模块，筛选正确预测框，得到预测结果。

技术领域

本发明涉及一种基于跨尺度分层特征融合对类内遮挡的乌鳢检测的方法，属于深度学习技术领域。

背景技术

在深度学习技术领域中，特征融合方法是一种常用的图像处理方法，如文献《基于改进YOLO和迁移学习的水下鱼类目标实时检测》（《模式识别与人工智能》，第32卷第三期，2019年3月），提出了一种基于改进YOLO与迁移学习的水下鱼类目标实时检测算法，使用特征融合的方法进行多尺度的目标检测，提出的迁移学习方法能够获得训练出具有较强泛化性能的网络模型，提出的基于限制对比度自适应直方图均衡化预处理算法可以去除水下图像的散射模糊现象,并且克服光照不均匀问题，实现在水下机器人嵌入式系统上的水下鱼类目标实时检测。

但是上述的方法仍然存在着问题，基于改进YOLO和迁移学习的水下鱼类目标实时检测中，针对图像的每一个子块最多只能检测一个目标，若子块中同时出现多个目标，会造成重叠目标的漏检这一情况，为一个图像子块设置了多个锚点，每个锚点可编码目标的边界框的坐标值、存在目标的置信度及类别。但针对目标大小相近，中心点坐标基本重合的情况，仍存在漏测的情况。

乌鳢为营底栖性鱼类，躯体柔软纤细似蛇形，躯体较长，前部呈圆筒形，后部逐渐为侧扁形，在养殖中其身躯并非固定于长条形，极易产生类内多样性遮挡，即乌鳢之间以多种躯体姿态彼此相互遮挡，且因其细长的身躯，在标记真实框或生成预测框时，类内遮挡或彼此紧贴的乌鳢的锚框重合程度较大，对检测产生较大困难。在水产的养殖中，尤其是身躯灵活细长多样的乌鳢的养殖中，精准的在类内多样性遮挡情况下检测出乌鳢个体，是养殖中十分重要的事情，因此，如何提高检测的准确度成为研究的方向。

发明内容

针对现有技术中存在的问题，提供一种基于跨尺度分层特征融合对类内遮挡的乌鳢检测的方法。

本发明是通过如下的技术方案，解决上述技术问题：

一种基于跨尺度分层特征融合对类内遮挡的乌鳢检测的方法，包括图像采集、图像处理及网络模型；

所述图像处理，是指采集后的图像按9:1分为训练集与预测集，使用labelimg对所有图像进行标注，得到含所有目标的真实框的图像，并对所有真实框进行尺寸聚类，得到最适合于乌鳢检测训练的九个真实框尺寸，并调整图像尺寸，形成输入图像，输入图像适用于网络模型；

将输入图像输入到所述网络模型中，对目标检测，输入图像经过1X1卷积提取目标乌鳢特征，并对特征进行整合，调整维度后，插入跨尺度分层特征融合模块，

其特征在于，

首先，进行模型训练，将训练集的输入图像，输入网络模型中，训练集的输入图像在所述跨尺度分层特征融合模块中，将输入该模块的所有特征分为n层，共由s个特征映射子集组成，每个特征映射子集都会与其他特征映射子集进行特征上的融合，最后进行连接，形成完整的信息融合，经卷积操作后，输出含有目标置信度、坐标信息以及种类信息的训练结果；同时，为了提高网络模型的精度，可以串联多个跨尺度分层特征融合模块；

再利用YOLOV4损失函数进行网络参数调整，经过50次训练迭代后，得到适用于网络模型的参数，形成一个检测用的网络模型；