[发明专利]融合SKNet与YOLOv5的养殖鱼群检测方法、系统和介质

权利要求书

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t_i是图像X_i的曝光时间，X_i、Y_i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SPP模块的方式增加主干特征的接收范围而分离上下文特征。