(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 202211064657.5 (22)申请日 2022.09.01 (71)申请人 青岛科技大 学 地址 266000 山东省青岛市崂山区松岭路 99号 (72)发明人 李海涛　胡泽涛　张俊虎　郑焕舒　 张雷　丁东平　 (74)专利代理 机构 北京盛广信合知识产权代理 有限公司 161 17 专利代理师 张军艳 (51)Int.Cl. G06V 20/05(2022.01) G06V 20/40(2022.01) G06V 10/34(2022.01) G06V 10/40(2022.01)G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种低质量水 下图像鱼类目标检测方法 (57)摘要 本发明公开了一种低质 量水下图像鱼类目 标检测方法， 包括以下步骤： 采集水下图像数据 集， 对所述图像数据集进行预处理， 获得模型数 据集； 构建GCANet网络模型， 基于所述GCANet网 络模型构建HF ‑GCANet去雾网络模型； 基于所述 HF‑GCANet去雾网络模型， 结合YOLOv4网络构建 GCA‑YOLOv4目标检测网络模型； 基于 所述模型数 据集， 训练所述GCA ‑YOLOv4目标检测网络模型； 基于训练好的所述GCA ‑YOLOv4目标检测网络模 型对待识别图像进行检测、 分类， 得到预测框位 置信息和分类信息。 本发明普适性强， 可通过扩 充数据集训练实现更多种类的鱼类目标检测。 权利要求书2页 说明书8页 附图8页 CN 115410078 A 2022.11.29 CN 115410078 A 1.一种低质量水 下图像鱼类目标检测方法， 其特 征在于， 包括以下步骤： S1、 采集水 下图像数据集， 对所述图像数据集进行 预处理， 获得模型 数据集； S2、 构建GCANet网络模型， 基于所述GCANet网络模型构建HF ‑GCANet去雾网络模型； S3、 基于所述HF ‑GCANet去雾网络模型， 结合YOLOv4 网络构建GCA ‑YOLOv4目标检测网络 模型； S4、 基于所述模型 数据集， 训练所述GCA ‑YOLOv4目标检测网络模型； S5、 基于训练好的所述GCA ‑YOLOv4目标检测网络模型对待识别图像进行检测、 分类， 得 到预测框位置信息和分类信息 。 2.根据权利要求1所述一种低质量水下图像鱼类目标检测方法， 其特征在于， 所述S1获 得所述模型 数据集的方法包括： 采集预设数据中的小型鱼类视频， 提取所述视频中的每一帧， 转换为图像形式， 获得所 述图像数据集； 对所述图像数据集按时间段、 帧序号进行命名并转换为YOLO格式， 获得所述模型数据 集。 3.根据权利要求1所述一种低质量水下图像鱼类目标检测方法， 其特征在于， 所述S2所 述GCANet网络模型包括： 自动 编码器、 平 滑扩充模块和融入门控融合子网络； 所述自动编码器由3个卷积层构成， 所述卷积层的通道数量为64， 卷积核尺寸均为3 × 3； 所述自动 编码器的最后一个卷积层采用1/2步幅的下采样； 所述平滑扩充模块由6个平 滑空洞残差单 元和1个残差单 元构成； 所述融入门控融合子网络由1个门控融合子网络、 1个转置卷积层、 2个卷积层构成。 4.根据权利要求3所述一种低质量水下图像鱼类目标检测方法， 其特征在于， 所述S2所 述HF‑GCANet去雾网络模型构建方法包括： 采用混合空洞卷积代替所述GCANet网络模型中的平 滑空洞卷积； 采用特征金字塔网络代替所述GCANet网络模型中 融入门控融合子网络 。 5.根据权利要求4所述一种低质量水下图像鱼类目标检测方法， 其特征在于， 所述混合 空洞卷积包括： 反卷积层1、 反卷积层2、 反卷积层3、 反卷积层4、 反卷积层5、 反卷积层6； 所述反卷积层1、 反卷积层2、 反卷积层3的输入输出通道数均为64、 步幅为1， dilated   rate分别为1、 2、 3； 所述反卷积层4的输入通道数为64、 输出通道数为128、 步幅为2、 di lated rate为1； 所述反卷积层5的输入通道数为128、 输出通道数为25 6、 步幅为2、 di lated rate为2； 所述反卷积层6的输入通道数为25 6、 输出通道数为512、 步幅为2、 di lated rate为3。 6.根据权利要求1所述一种低质量水下图像鱼类目标检测方法， 其特征在于， 所述S3所 述YOLOv4网络包括： 输入 模块、 主干网络模块、 特 征提取模块、 输出模块； 所述输入 模块包括： Mosaic单 元、 CmBN单 元和SAT单 元； 所述主干网络模块包括： CBM单 元、 CSP单元； 所述特征提取模块包括： S PP单元、 FPN单 元。 7.根据权利要求1所述一种低质量水下图像鱼类目标检测方法， 其特征在于， 所述S3所 述GCA‑YOLOv4目标检测网络模型包括： 输入模块、 HF ‑GCA模块、 主干网络模块、 特征提取模权　利　要　求　书 1/2 页 2 CN 115410078 A 2块和输出模块； 所述HF‑GCA模块包括自动 编码器、 混合空洞卷积单 元和特征金字塔网络单 元。 8.根据权利要求7所述一种低质量水下图像鱼类目标检测方法， 其特征在于， 所述S5得 到所述预测框位置信息和所述分类信息的方法包括： 步骤1、 将所述待识别图像输入至所述输入 模块进行图像增强， 得到增强图像； 步骤2、 将所述增强图像输入至所述HF ‑GCA模块， 得到去雾图像； 步骤3、 将所述去雾图像输入至所述主干网络模块中进行 特征提取， 得到特 征图； 步骤4、 将所述特 征图输入至所述特 征提取模块中进行 特征融合， 得到融合特 征向量； 步骤5、 将所述融合特征向量输入至所述输出模块， 得到所述预测框位置信息和所述分 类信息。权　利　要　求　书 2/2 页 3 CN 115410078 A 3