(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210212376.3 (22)申请日 2022.03.04 (71)申请人 大连海洋大学 地址 116023 辽宁省大连市沙河口区黑石 礁街2-52 (72)发明人 于红　赵梦　李海清　韦思学　 (74)专利代理 机构 大连星河彩舟专利代理事务 所(普通合伙) 2126 3 专利代理师 杨阳 (51)Int.Cl. G06V 20/05(2022.01) G06V 10/82(2022.01) G06V 10/80(2022.01) G06V 10/764(2022.01) G06V 10/44(2022.01)G06V 10/20(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 9/62(2022.01) (54)发明名称 融合SKNet与YOLOv5的养殖鱼群检测方法、 系统和介质 (57)摘要 融合SKNet与YOLOv5的养殖鱼群检测方法、 系统和介质， 属于图像检测和识别领域， 为了提 高养殖场景下鱼群检测的准确率， 包括如下步 骤： S1.通过U Net全卷积网络对鱼群图像 预处理， S2.通过融合SKNet的YOLOv5 的改进网络结构对 预处理后的鱼群图像检测， 效果是能够取图像中 模糊鱼类的特征以加强网络对模糊鱼体的识别 能力， 提高养殖场景 下鱼群检测的准确率。 权利要求书2页 说明书9页 附图2页 CN 114724022 A 2022.07.08 CN 114724022 A 1.一种养殖鱼群 检测方法， 其特 征在于， 包括如下步骤： S1.通过UNet全卷积网络对鱼群图像预处 理， S2.通过融合SKNet的YOLOv5的改进网络结构对预处 理后的鱼群图像 检测。 2.如权利要求1所述的养殖鱼群 检测方法， 其特 征在于， 所述步骤S1的方法为 使用响应函数的估计逆值对给定不同曝光度的模糊水下鱼群图像进行线性化， 将线性 化后的图形数据矫正并传递给不同的编码器使不同编码器提取不同曝光度模糊鱼群图像 的鱼类特 征信息， 将不同编码器提取的鱼类特征信 息合并， 并将各编码器提取的鱼类特征信 息以及合并 的不同编码器的鱼类特 征信息输入至解码器端， 解码器融合相同尺度和不同尺度的鱼类特征信息， 并由UNet全卷积网络不断学习映射 对应的鱼类特征信息而获取所有像素点的特征图， 将所得特征图输入色调映射器的映射网 络， 色调映射后得到清晰鱼群图像。 3.如权利要求1所述的养殖鱼群 检测方法， 其特 征在于， 各编码器提取的鱼类特 征信息采用跳跃 连接的方式输入至解码器端。 4.权利要求2所述的养殖鱼群 检测方法， 其特 征在于， X＝{X1,X2,X3}表示输入不同曝光度模糊鱼群图像的集合， 将其映射到Y＝{Y1,Y2,Y3}的 清晰鱼群图像的集 合， 映射公式为： 其中ti是图像Xi的曝光时间， Xi、 Yi和Y的值都在0和1之间； 响应于映射公式取 得的映射网络为： 在色调映射后的清晰鱼群图像上计算各像素点的损失函数， 得到清晰鱼群图像公式： 其中λ是控制压缩程度的参数； 图像预处 理阶段控制图像清晰化 程度的损失函数： 5.如权利要求1所述的养殖鱼群 检测方法， 其特 征在于， 所述步骤S2的方法为 S2.1.通过YOLOv5网络的输入端对预处理后的鱼群图像进行数据增强、 自适应锚框计 算和自适应图像缩放； S2.2.通过Backbone特征提取网络提取鱼群图像中鱼类的特征， 不 同尺度鱼类特征信 息经过SKNet网络加权后， 特 征图输入至Neck端 进行特征融合； S2.3通过Prediction模块将特征融合的图像分为至少三种不同尺寸的网格， 每个 网格权　利　要　求　书 1/2 页 2 CN 114724022 A 2默认输出预测的至少三个边界框， 以及边界框对应位置的信息和分类结果， 和边界框精度 的置信度信息 。 6.如权利要求5所述的养殖鱼群 检测方法， 其特 征在于， 步骤S2.2的通过Backbone特征提取网络提取鱼群图像中鱼类的特征的方法： 原始608* 608*3的鱼群图像输入Focus结构， 采用切片操作， 使其变成304*304*12的特征图， 再经过一 次32个卷积核的卷积操作， 最终变成304*304*32的特征图， 使用CSP模块先将该特征图的基 础层的特征映射划分为两 部分， 再通过跨阶段层次结构将两 部分合并； 步骤S2.2的不 同尺度鱼类特征信息经过SKNet网络加权后， 特征 图输入至Neck端进行 特征融合的方法： 在Backbone端不同尺度特征的输出层具有SKNet网络， 通过对不同尺度通 道特征信息的加权处理， 不同尺度特征信息经过SKNet的加权 之后， 将Backbone端得到的特 征图输入至Neck端， 采用S PP模块的方式增 加主干特 征的接收范围而分离上 下文特征。 7.如权利要求5或6所述的养殖鱼群 检测方法， 其特 征在于， 步骤S2.3的方法： 通过Prediction模块将图像分为76*76、 38*38和19*19个网格， 预测 不同大小的鱼类目标， 鱼类目标中心所在的网格用于水下图像中鱼类目标的检测， 每个网 格默认输出预测的3个边界框， 以及边界框对应位置(x,y,w,h)的信息和分类结果和边界框 Conf(Object)精度的置信度信息， Conf(Object) ×IOU                        (6) 其中Pr(Object)用于表示是否有鱼类目标属于这个候选网格， 1表示是， 0表示否， IOU 表示预测框与 真实框的交并比， 其中b ox(Pred)表示预测框， b ox(Truth)表示真实框， 每个 预测边界框包含5个参数： x,y,w,h,Conf(Object)， 其中(x,y)表示预测框中心距离真实框 中心的偏移量， (w,h)表示预测框的宽度和高度。 8.如权利要求5或6所述的养殖鱼群检测方法， 其特征在于， YOLOv5的改进网络结构是 YOLOv5网络结构的Backbone端融入SKNet重构特征层， 包括三个SKNet注意力模块， 一个 SKNet注意力模块连接于Backbone特征提取网络的输出层中的一种尺寸特征图的输出， 通 过给每个特征元素都找到其对应的注意力权重， 不同尺度特征信息经过SKNet的加权 之后， 输入Neck端 进行特征融合， 以三种不同尺度的预测方式对图像中的鱼群进行检测。 9.一种养殖鱼群检测系统， 其特征在于， 包括处理器以及存储器， 述处理器执行所述存 储器中的代码以实现权利要求1至8任一项权利要求所述的方法。 10.一种计算机存储介质， 其特征在于， 存储有计算机程序， 所述计算机程序被硬件执 行以实现权利要求1至8任一项权利要求所述的方法。权　利　要　求　书 2/2 页 3 CN 114724022 A 3