[发明专利]一种基于改进的YOLOv3的微藻识别方法

说明书

本发明提供一种基于改进的YOLOv3的微藻识别方法，包括：采集微藻显微图像，制作微藻图像的数据集；对数据集进行数据增强；将增强后的数据集分为训练集、验证集和测试集，对数据集中的微藻进行标注，生成标注图像；构建改进的YOLOv3目标检测模型；设置训练参数，基于数据集对构建的YOLOv3目标检测模型进行训练；基于训练完成的YOLOv3目标检测模型，对测试集图像进行分类和定位。本发明采用改进的YOLOv3目标检测模型，使用轻量级Mobilenet网络代替YOLOv3的原始特征提取网络darknet53，能够显著提高运行速度，大大减少网络参数，同时引入空间金字塔池结构SPP，能够在同一卷积层中以不同尺度合并和连接区域特征，使得在检测小物体时位置误差较小，使用CIoU优化损耗功能进一步提高检测精度。

技术领域

本发明涉及海洋及船舶压载水中微藻种类识别技术领域，具体而言，尤其涉及一种基于改进的YOLOv3的微藻识别方法。

背景技术

船舶压载水对船舶在航行中保持安全稳定的状态具有重要作用，但国际航行船舶排放的压载水为外来生物入侵提供了渠道。随着经济全球化的发展，海运贸易量快速增长，船舶压载水造成的生态入侵问题逐步显现，引起了全球环保和航运领域广泛关注，被公认为全球海洋生态和海洋经济的重大威胁之一。国际海洋考察理事会(ICES)的数据表明94％的潜在有害海洋生物是通过船舶压载水传播。为防止、尽量减少和最终消除船舶压载水和沉积物造成的外来水生物和病原体的转移，保护海洋生态环境，国际海事组织(IMO)于2004年制定了《国际船舶压载水及其沉积物控制与管理公约》(以下简称《公约》)，该公约于2017年9月8日正式生效。当前，在压载水入港的病媒检测中，微藻占据主要角色，因此对压载水中微藻进行检测是迫在眉睫的任务。藻类的种类和数量是压载水检测中的关键指标，目前常规方法是人工检测，这种方法存在很大的缺陷：检测设备步骤繁琐、体积大、价格昂贵，无法满足市场的要求，且人工检测中对工作人员的技能和熟练度要求很高，而且在大量检测过程中，工作人员容易疲劳和缺乏客观性，使得检测结果不合格、错误率高。藻类分类识别一直是生物学领域的一个热点问题，现在有很多使用传统识别算法替代人工检测，传统的机器学习识别方法通常采用特征提取与分类器相结合的方式，但是需要人为选择特征参数，存在对手工设计特征依赖的问题，影响识别结果的准确性和稳定性。随着卷积神经网络的迅速发展，利用深度学习可以进行微藻的识别。目标检测领域的深度学习算法主要分为两阶段目标检测算法和单阶段目标检测算法，其中两阶段目标检测算法存在着耗费检测时间的问题；单阶段目标检测算法的检测速度快，但识别具有相似特征的不同目标准确率低，尤其是在当前的目标检测领域，大部分都是用于宏观物体上的检测，很少用于微观领域中，因此需要考虑当对微观物体进行检测时，是否会出现一些新的问题。

发明内容

根据上述提出的技术问题，而提供一种基于改进的YOLOv3的微藻识别方法。本发明采用改进的YOLOv3目标检测模型，使用轻量级Mobilenet网络代替YOLOv3的原始特征提取网络darknet53，能够显著提高运行速度，大大减少网络参数，同时引入空间金字塔池结构SPP，能够在同一卷积层中以不同尺度合并和连接区域特征，使得在检测小物体时位置误差较小，使用CIoU优化损耗功能进一步提高检测精度。

本发明采用的技术手段如下：

一种基于改进的YOLOv3的微藻识别方法，包括如下步骤：

S1、采集微藻显微图像，制作微藻图像的数据集；

S2、对所述数据集进行数据增强；

S3、将增强后的数据集分为训练集、验证集和测试集，并对数据集中的微藻进行标注，生成XML格式的标注图像；

S4、构建改进的YOLOv3目标检测模型；

S5、设置训练参数，基于数据集对构建的YOLOv3目标检测模型进行训练；

S6、基于训练完成的YOLOv3目标检测模型，对测试集图像进行分类和定位。