(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 202210779589.4 (22)申请日 2022.07.04 (71)申请人 中国海洋大学三亚海洋研究院 地址 572024 海南省三 亚市崖州区崖州湾 科技用友产业园一 号楼七层 (72)发明人 付民　贾嘉祺　刘雪峰　董亮　 郑冰　 (74)专利代理 机构 青岛鼎丞智佳知识产权代理 事务所(普通 合伙) 3727 7 专利代理师 王剑伟 (51)Int.Cl. G06V 20/05(2022.01) G06V 10/40(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 一种海洋生物目标检测算法模型的搭建方 法及识别方法 (57)摘要 本发明提供了一种海洋生物目标检测算法 模型的搭建方法及识别方法， 搭建方法包括以下 步骤： 获取若干种海洋生物图像的数据集， 标注 并 划 分 为 训 练 集 、验 证 集 和 测 试 集 ； 以 EfficientDet网络模型为基础搭建深度学习的 目标检测算法模 型， 算法模型包括主干特征提取 网络、 加强特征提取网络和分类预测网络三部 分； 设置算法模型的训练参数对模型进行训练， 模型参数在训练过程中不断进行优化； 将测试集 的图像输入到训练好的模型中， 输出检测结果进 行验证。 本发明中， 加强特征提取网络的构建提 高了卷积神经网络对目标物特征信息的提取能 力， 尤其是对堆叠目标遮挡目标等信息不完整的 目标以及伪装目标的特征信息提取， 大大提高了 识别的精准 率。 权利要求书3页 说明书10页 附图3页 CN 114937201 A 2022.08.23 CN 114937201 A 1.一种海洋生物目标检测算法模型的搭建方法， 其特 征在于， 包括以下步骤： 步骤1， 获取若干种海洋生物图像的数据集， 通过标签标注软件进行目标物种类的标 注， 并划分为训练集、 验证集和 测试集； 步骤2， 以EfficientDet网络模型为基础搭建深度学习的目标检测算法模型， 所述算法 模型包括主干特征提取网络、 加强特征提取网络和分类预测网络三部分； 所述主干特征提 取网络为EfficientNet网络， 用于对图像特征进行初步提取； 所述加强特征提取网络用于 对目标物的细节、 纹理和背景 的特征信息进行进一步的提取； 所述分类预测网络用于进行 定位和分类； 步骤3， 设置算法模型的训练参数， 使用步骤1中获取的训练集和验证集对模型进行训 练， 模型参数在训练过程中不断进行优化； 步骤4， 将测试集的图像输入到训练好的模型中， 输出检测结果进行验证。 2.如权利要求1所述的一种海洋生物目标检测算法模型的搭建方法， 其特征在于， 所述 加强特征提取网络的具体结构及处 理过程为： 将主干特征提取网络的中间特征层P4层、 P5层和P6层作 为输入， 所述P4层、 P5层和 P6层 分别对应低层、 中间层、 和高层特征图； 所述P4层和P5层通过平均池化Avgpool和标准差池 化Stdpool来获取特征的全局信息， 所述P6层通过最大池化Maxpool来获取特征的全局信 息； 所述P4层、 P5层和P6层分别经过1 ×1卷积层获得通道之间的相互依赖性； 所述P4层和P5 层经过批归一化处理Batch  Normalization进行标准化， 并取Sigmoid函数， 得到通道权值， 将该权值分别和P4层、 P5层、 P6层相乘作为 新的特征层输入到双向特 征金字塔网络BiFPN； 具体公式如下 所示: P4层和P5层采用平均池化Avgpo ol和标准差池化Stdpo ol： g(x)＝[ μc, ξc] 其中， Xi,是输入通道的值， μc是平均池化后的特征向量， ξc是特征层标准差池化后的向 量表示， g(x)则是平均池化和标准差池化拼接后的特征信息， H和W是输入图片的宽度和高 度； 在获得特征图的池化信息后， 获得 各个通道的特 征图的权 重： S＝σ(BN(C1D(g(x) ))) 式中， σ 是Si gmoid函数， BN的作用是进行标准化， C1D表示一维卷积， 用来获取通道之间 的关联性， S表示 通道方向的权 重； 原始输入X由权 重S重新校准， 因此P4层和P5层输出公式为： Y4,5＝SX权　利　要　求　书 1/3 页 2 CN 114937201 A 2P6层采用最大池化Maxpo ol， 公式如下： S＝σ(C1D(Mc)) Mc是最大池化后的特征向量， Xi,是输入通道的值， σ 是Sigmoid函数， C1D表示一维卷积， 用来获取通道之间的关联性， S表示 通道方向的权 重， 则P6层的输出为： Y6＝SX 最后， 将特征层Y4、 Y5、 Y6和主干特征提取网络中的P3、 P7输入到双向特征金字塔网络 BiFPN中， 反复进行自顶向下和自底向上的双向特 征融合。 3.如权利要求2所述的一种海洋生物目标检测算法模型的搭建方法， 其特征在于， 所述 双向特征金字塔网络BiFPN进行 特征融合的具体过程 为： S1， 特征层P3、 Y4、 Y5、 Y6和P7作为新的输入P3_in、 P4_in、 P5_in、 P 6_in和P7_in， 同时构建 两个P4_i n、 P5_in、 P6_in； S2， 在获得P3_in、 P4_in_ 1、 P4_in_2、 P5_in_ 1、 P5_in_2、 P6_in_ 1、 P6_in_2和P7_in之后 对P7_in进行上采样， 上采样后与P6_in_1堆叠获得P6_td； 之后对P6_td进行上采样， 上采样 后与P5_in_1进行堆叠获得P5_td； 之后对P5_td进行上采样， 上采样后与P4_in_1进行堆叠 获得P4_td； 之后对P4_td进行 上采样， 上采样后与P3_i n进行堆叠获得P3_out； S3， 在获得P3_out、 P4_td、 P4_in_2、 P5_td、 P5_in_2、 P6_td、 P6_in_2和P7_in之后对P3_ out进行下采样， 下采样后与P4_td和P4_in_2堆叠获得P4_out； 之后对P4_out进行下采样， 下采样后与P5_td和P5_in_2进行堆叠获得P5_out； 之后对P5_out进行下采样， 下采样后与 P6_td和P6_in_2进行堆叠获得P6_out； 之后对P6_out进行下采样， 下采样后与P7_in进行堆 叠获得P7_out； S4， 将获得的P3_out、 P4_out、 P5_out、 P6_out和P7_out作为P3_in、 P4_in、 P5_in、 P6_ in、 P7_in， 重复步骤S2和S3进行堆叠即可。 4.如权利要求1所述的一种海洋生物目标检测算法模型的搭建方法， 其特征在于： 所述 分类预测网络由类预测网络ClassNet和边界框预测网络BoxNet组成， 以分别生 成对象类和 边界框位置； 所述类预测网络ClassNet由3次64通道的卷积和1次num_anchors  xnum_classes的卷 积组成， 用于预测该特征层上每一个网格点上每一个预测框对应的种类， 所述num_anchors 指的是该特征层所拥有的先验框数量， 所述num_classes指的是网络一共对多少类的目标 进行检测； 所述边界框预测网络BoxNet由3次64通道的卷积和1次num_anchors  x 4的卷积组成， 用于预测该特征层上每一个网格点上每一个先验框的变化情况， 所述num_anchors指的是 该特征层所拥有的先验框数量， 所述 4指的是先验框的调整情况； 其中， 每个特征层所用的ClassNet是 同一个ClassNet； 每个特征层所用的BoxNet是同 一个BoxNet。 5.如权利要求1所述的一种海洋生物目标检测算法模型的搭建方法， 其特征在于： 所述 步骤3中设置训练参数， 训练周期设置为200， 批量大小设置为16， 初始学习率设置为0.01， 学习率在周期为10 0和150时降低十倍。权　利　要　求　书 2/3 页 3 CN 114937201 A 3