基于卷积神经网络的水下鱼类目标检测方法、装置及存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113837104A(43)申请公布日2021.12.24(21)申请号202111129667.8(22)申请日2021.09.26(71)申请人大连智慧渔业科技有限公司地址116000辽宁省大连市高新技术产业园区高能街45号3单元11层1号(72)发明人蔡克卫庞洪帅刘敏(74)专利代理机构大连东方专利代理有限责任公司21212代理人陈丽李馨(51)Int.Cl.G06K9/00(2006.01)G06K9/46(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)G06Q50/02(2012.01)权利要求书2页说明书6页附图3页(54)发明名称基于卷积神经网络的水下鱼类目标检测方法、装置及存储介质(57)摘要本发明提供了一种基于卷积神经网络的水下鱼类目标检测方法、装置及存储介质，对水下鱼类目标检测模型中的主干网络进行了改进，改进后的主干网络包括卷积及其对偶操作的两个卷积神经网络，分别得到待检测水下图像的局部特征图和全局特征图，然后调整输出特征图维度，将具有相同维度的各个通道特征图进行融合，以保证所得各通道不同特征图，且每个特征图均学习到全局信息，从而获取更优质图像特征，为下游目标检测提供可靠数据基础，进而提高水下鱼类目标的检测准确率。CN113837104ACN113837104A权利要求书1/2页1.一种基于卷积神经网络的水下鱼类目标检测方法，其特征在于，所述方法包括：获取待检测水下图像；将所述待检测水下图像输入至水下鱼类目标检测模型的主干网络，得到特征提取结果；所述主干网络包括第一卷积神经网络和所述第二卷积神经网络，所述第一卷积神经网络在特征图通道维度采用不同卷积核，在空间维度采用相同卷积操作；所述第二卷积神经网络在特征图空间维度采用不同卷积核，在通道维度采用相同卷积操作；基于所述特征提取结果，得到水下鱼类目标检测结果。2.根据权利要求1所述的基于卷积神经网络的水下鱼类目标检测方法，其特征在于，将所述待检测水下图像输入至水下鱼类目标检测模型的主干网络，得到特征提取结果，包括：所述主干网络的第一卷积神经网络对所述待检测水下图像进行特征提取，得到局部特征图；所述主干网络的第二卷积神经网络对所述待检测水下图像进行特征提取，得到全局特征图；将所述局部特征图和所述全局特征图按照通道进行逐像素相加。3.根据权利要求1或2所述的基于卷积神经网络的水下鱼类目标检测方法，其特征在于，所述第一卷积神经网络在空间维度采用的卷积核大小为3x3尺寸。4.根据权利要求1或2所述的基于卷积神经网络的水下鱼类目标检测方法，其特征在于，所述第二卷积神经网络在通道维度采用的卷积核大小为3x3尺寸。5.一种基于卷积神经网络的水下鱼类目标检测装置，其特征在于，所述装置包括：图像获取单元，用于获取待检测水下图像；特征提取单元，用于将所述图像获取单元获取的待检测水下图像输入至水下鱼类目标检测模型的主干网络，得到特征提取结果；所述主干网络包括第一卷积神经网络和所述第二卷积神经网络，所述第一卷积神经网络在特征图通道维度采用不同卷积核，在空间维度采用相同卷积操作；所述第二卷积神经网络在特征图空间维度采用不同卷积核，在通道维度采用相同卷积操作；目标检测单元，用于基于所述特征提取单元得到的特征提取结果，得到水下鱼类目标检测结果。6.根据权利要求5所述的基于卷积神经网络的水下鱼类目标检测装置，其特征在于，所述特征提取单元包括：局部特征提取子单元，用于利用所述主干网络的第一卷积神经网络对所述待检测水下图像进行特征提取，得到局部特征图；全局特征提取子单元，用于利用所述主干网络的第二卷积神经网络对所述待检测水下图像进行特征提取，得到全局特征图；特征融合子单元，用于将所述局部特征提取子单元得到的局部特征图和所述全局特征提取子单元得到的全局特征图按照通道进行逐像素相加，得到特征提取结果。7.根据权利要求5或6所述的基于卷积神经网络的水下鱼类目标检测装置，其特征在于，所述第一卷积神经网络在空间维度采用的卷积核大小为3x3尺寸。8.根据权利要求5或6所述的基于卷积神经网络的水下鱼类目标检测装置，其特征在于，所述第二卷积神经网络在通道维度采用的卷积核大小为3x3尺寸。2CN113837104A权利要求书2/2页9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机指令集，计算机指令集被处理器执行时实现如权利要求1～4任一项所述的一种基于卷积神经网络的水下鱼类目标检测方法。3CN113837104A说明书1/6页基于卷积神经网络的水下鱼类目标检测方法、装置及存储介质技术领域[0001]本发明涉及目标检测技术领域，特别是涉及一种基于卷积神经网络的水下鱼类目标检测