一种基于YOLO v5的附着海生物种类识别方法.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CN113688948A(43)申请公布日2021.11.23(21)申请号202111183295.7G06N3/08(2006.01)(22)申请日2021.10.11(71)申请人中核检修有限公司地址201702上海市青浦区蟠龙路500号-1(72)发明人李墨黄宇刘秉政王金龙徐广胤吕昌旗曹生现赵波李浩瑜(74)专利代理机构成都瑞创华盛知识产权代理事务所(特殊普通合伙)51270代理人邓瑞辜强(51)Int.Cl.G06K9/62(2006.01)G06K9/46(2006.01)G06N3/04(2006.01)权利要求书1页说明书5页附图2页(54)发明名称一种基于YOLOv5的附着海生物种类识别方法(57)摘要本发明公开了一种基于YOLOv5的附着海生物种类识别方法，具体包括采集海生物附着物图片构建数据集，将构建的数据集划分为训练集、测试集和验证集；在YOLOv5算法的Backbone的第一个和第二个3×3卷积层之前分别添加1×1卷积核；Backbone的第三和第四个BottleneckCSP之前分别添加Non‑local注意力机制模块；在Backbone使用由Bottleneck与标准卷积层构成的CSPNet结构并增加Output的检测层；在Neck引用PANet结构；生成改进后的YOLOv5算法，最后利用数据集进行训练，本发明不仅在对附着海生物种类识别准确率更高，而且对于小型目标有较好的检测效果，减少了漏检风险，提高了传统YOLOv5算法的检测性能。CN113688948ACN113688948A权利要求书1/1页1.一种基于YOLOv5的附着海生物种类识别方法，其特征在于，包括以下步骤：S1、采集海生物附着物图片构建数据集，将构建的数据集划分为训练集、测试集和验证集；S2、对数据集中的图片使用k‑means聚类算法进行聚类，得到K个先验框；S3、在YOLOv5算法的Backbone的第一个和第二个3×3卷积层之前分别添加1×1卷积核；在YOLOv5算法的Backbone的第三和第四个BottleneckCSP之前分别添加Non‑local注意力机制模块；S4、在YOLOv5算法的Backbone使用由Bottleneck与标准卷积层构成的CSPNet结构并增加Output的检测层；在YOLOv5算法的Neck引用PANet结构；生成改进后的YOLOv5算法；S5、将改进后的YOLOv5算法在建立的海生物附着物数据集上进行训练、测试。2.根据权利要求1所述的一种基于YOLOv5的附着海生物种类识别方法，其特征在于，在步骤S1中，采集海生物附着物图片，并将得到的图片格式转换为.jpg格式，使用labelImg软件对图片进行种类标注，输出格式为.xml文件，制成标准的VOC数据集格式，再将构建的数据集以8:1:1比例随机划分为训练集、测试集和验证集，并分别标注每种海洋生物独立的名称标签，完成海洋附着生物数据集的构建。3.根据权利要求2所述的一种基于YOLOv5的附着海生物种类识别方法，其特征在于，在步骤S5中，所述对海生物附着物数据集上进行训练、测试具体包括：(1)、设置改进后的YOLOv5算法的参数：训练步长设置为300、初始学习率设置为0.01、batch_size设置为1；(2)、使用k‑means聚类算法得到K个目标Anchor值，将原Anchorbox修改为聚类后新的Anchorbox；(3)、输入的图像先进行Mosaic数据增强与图片归一化处理，将用于训练的图片归一化为640×640大小；(4)、经过Backbone部分对图片进行切片与卷积操作，获得特征图；(5)、经过Neck部分对特征图进行特征信息提取，在Neck部分中图片先进行上采样来提取图像特征，再进行下采样融合不同尺度的特征信息，最后，由输出端输出检测结果，得到检测模型；(6)、使用验证集验证模型的性能。2CN113688948A说明书1/5页一种基于YOLOv5的附着海生物种类识别方法技术领域[0001]本发明涉及图像目标检测技术领域，特别是一种基于YOLOv5的附着海生物种类识别方法。背景技术[0002]海洋占据了地球71％的面积，为人类提供了丰富的资源和潜在的财富。在全球的生产总值上，海洋资源开发的收益高达7万亿美元/年，90％的国际贸易运输量由海洋运输承担。[0003]随着人类对海洋的不断开发，一些问题也随之暴露了出来。沿海的电厂、轮船以及海水中的建筑物等，其基体表面大多会被海洋生物附着，增加流动阻力，并形成局部腐蚀电池，加快基体的腐蚀速度，带来不必要的财产损失。例如，滨海电厂大多使用海水作为冷却介质，海洋生物附着在换热设备表面后，会加快设备的腐蚀速率，降低设备的换