[发明专利]一种基于Mask R-CNN的海洋养殖用网衣破损的检测方法

权利要求书

1.一种基于Mask R-CNN的海洋养殖用网衣破损的检测方法，其特征是，包括以下步骤：

S1，获取训练数据；

S2，构建初始框架Mask R-CNN，结合DCN和FPN改进到框架内；

S3，载入COCO数据集预训练模型，迁移学习；

S4，使用网衣数据集训练神经网络，调整预训练模型的参数，并将训练成熟的模型保存；

S5，进行海洋养殖用网衣破损的检测。

2.根据权利要求1所述的一种基于Mask R-CNN的海洋养殖用网衣破损的检测方法，其特征是，所述步骤S1包括以下步骤：

S11，拍照获取水下破损网衣图像，包括不同磨损程度、不同破损大小、网衣边角破损位置500张；

S12，对原始破损网衣图像进行图像增强处理，包括图像旋转、破损位置平移、加入噪声等操作，增强后数据集为2000张；

S13，数据集标注，包括通过数据集标注工具LabelImg对网衣破损处标注并添加分类标签。

3.根据权利要求1所述的一种基于Mask R-CNN的海洋养殖用网衣破损的检测方法，其特征是，所述步骤S2包括以下步骤：

S21，特征提取采用残差网络ResNet-101和特征金字塔网络FPN的架构；

S22，将ResNet最后一个卷积块换为DCN，通过区域建议网络RPN生成检测候选框并采用ROI Align对候选框进行特征提取；

S23，通过两层全连接层进行分类，得到每个候选框的检测类别Classification以及每个候选框的预测偏移值Boundary box Regression，并对网衣破损位置进行精确调整，同时通过两层卷积层进行mask预测任务。

4.根据权利要求3所述的一种基于Mask R-CNN的海洋养殖用网衣破损的检测方法，其特征是，所述特征金字塔网络FPN具体操作为经过多层卷积自底向上特征提取得到各层卷积层特征C2、C3、C4、C5，FPN会自顶向下在每层卷积层进行图像特征的上采样，得到前面各层的卷积特征M5、M4、M3、M2，将C2~C5和M2~M5融合，并进行3*3的卷积消除上采样的混叠效应，得到最终网衣破损的图像特征P2、P3、P4、P5。

5.根据权利要求3所述的一种基于Mask R-CNN的海洋养殖用网衣破损的检测方法，其特征是，所述可变形卷积DCN在网衣破损、附着物等缺陷多为不规则形状的情况下能更好地学习特征提取点的位置，卷积核一般为矩形且不可变形，通过平移来扫描提取特征，而DCN改变这一特性，卷积核中各点自适应地微调位置来提取特征。

6.根据权利要求1所述的一种基于Mask R-CNN的海洋养殖用网衣破损的检测方法，其特征是，所述步骤S3和S4中迁移学习和训练微调参数具体为使用COCO数据集上预训练的检测模型进行迁移学习，通过网衣破损图像对预训练模型进行训练，并对其参数进行微调，最后将训练好的检测模型应用到网衣破损检测任务中。

7.根据权利要求1所述的一种基于Mask R-CNN的海洋养殖用网衣破损的检测方法，其特征是，所述训练成熟的模型保存具体为通过Pytorch框架中的torch.save()语句对已训练成熟的神经网络模型进行保存，通过torch.load()语句加载已保存的神经网络检测模型。

8.根据权利要求1所述的一种基于Mask R-CNN的海洋养殖用网衣破损的检测方法，其特征是，所述软件系统包括选择图像文件功能，缺陷检测功能，结果展示功能和功能按钮。

9.根据权利要求1所述的一种基于Mask R-CNN的海洋养殖用网衣破损的检测方法，其特征是，所述步骤S5具体为选择要检测的网衣图像输入，点击检测按钮后，显示标有缺陷检测结果的图像。