[发明专利]一种基于YOLOv3改进的水面漂浮物检测与识别方法及系统

权利要求书

1.一种基于改进YOLOv3识别模型的水面漂浮物检测与识别方法，其特征在于，所述方法包括以下步骤：

步骤一、预先获取用于水面漂流物训练的数据集，采用几何变换和色彩变换对图像数据进行增强与扩增，并对数据集的漂流物进行标注，得到水面漂流物数据集，并拆分成训练集和测试集；

步骤二、构建改进的YOLOv3网络模型；

步骤三、使用步骤一中获得的水面漂流物训练集对步骤二构建得到的改进的YOLOv3网络模型进行训练；

步骤四、使用步骤一中获得的根据水面漂流物的数据图像拆分出的水面漂流物测试集，并用步骤三训练好的改进的YOLOv3网络模型对水面漂流物测试集进行检测与识别。

2.根据权利要求1所述的基于改进YOLOv3识别模型的水面漂浮物检测与识别方法，其特征在于，步骤一具体包括如下两个子步骤；

1.1、人工现场获取水面漂流物训练数据集，通过调节色相、对比度、饱和度和亮度进行色彩变换，通过缩放、平移、旋转对图像进行几何变换以及随机裁剪，然后通过随机选择图片进行拼接从而生成新的图像；

1.2、采用Labelme对数据进行人工标注，并将数据集标签格式转换为PASCAL VOC数据集格式，采用8:2～9:1的比例划分训练数据集和测试数据集。

3.根据权利要求1所述的基于改进YOLOv3识别模型的水面漂流物检测与识别方法，其特征在于，步骤二中，所述构建改进的YOLOv3网络模型具体包括如下步骤：

2.1、将YOLOv3网络模型原有的DarkNet53网络替换为GhostNet网络；所述GhostNet的GhostNet bottleneck中加入注意力机制层SELayer，增强对主要通道特征的关注程度；

2.2、依次从GhostNet网络结构中通过平均池化提取下采样倍数分别为4、8、16和32的特征图，并依次对特征图进行上采样与原有特征进行融合，获得四个新的特征图；

2.3、采用GIOU损失替换YOLOv3网络模型原有的定位损失函数；

IOU表示对于任意A、B框，分别求交集和并集，最后求两者的比值；所述IOU表达式为：

GIOU表示对于任意的A、B框，首先找到一个能够包住它们的最小封闭形状C，然后计算C\(A∪B)的面积与C的面积的比值，所述C\(A∪B)的面积为C的面积减去A∪B的面积，再用A、B的IOU值减去这个比值得到GIOU；所述GIOU表达式为：

其中，A、B为两个任意的凸形区域，C是指包含A和B的最小封闭形状；

最终定位损失的表达式为：

最终定位损失L_GIOU＝1-GIOU；

2.4、采用Focal Loss损失替换YOLOv3原有模型的类别损失函数；

所述Focal Loss计算公式如下：

FL(p_t)＝-α(1-p_t)^γlog(p_t)，

式中α取值为2，γ取值为0.25，p_t代表的是正负样本的概率方程，p_t如下式所示：

其中：

p代表正样本概率，y代表标签值。

4.根据权利要求3所述基于改进YOLOv3识别模型的水面漂流物检测与识别方法，其特征在于，步骤2.2中，通过四尺度特征融合来获取更深层的特征，选择13×13、26×26、52×52和104×104作为四个输出特征图；网络迭代次数设置为1000；通过改进的上采样模块dw_res2net_block对四层特征图进一步提取特征，然后进行上采样与原有特征进行融合，作为新的候选特征；

所述dw_res2net_block增加更小的残差连接模块，缓解了梯度消失的同时，增加了各段特征图之间的交流，使模块特征提取能力变得更加细腻并降低了1/3的参数量；同时使用DWConv取代卷积的部分操作。