CN119445351A 一种基于YOLOv8s模型的水下图像检测系统及方法 （上海海事大学）

一种基于YOLOv8s模型的水下图像检测系统本发明涉及一种基于YOLOv8s模型的水下图预处理；目标检测子系统：用于采用改进后的YOLOv8s模型进行目标检测，其中所述改进后的YOLOv8s模型用于基于预处理后的水下图像数22.根据权利要求1所述的一种基于YOLOv水下特征消噪增强模块(22)：用于基于处理后的水下图像数据，双重注意力增强特征提取模块(23)：用于基于所述初始特征图，采用计算损失更新网络模块(26)：用于利用所述损失函数通过反向传播算法更新网络权3.根据权利要求2所述的一种基于YOLO采用二维离散傅里叶变换将所述处理后的水下图像数据转换到频域上，scat3cscat采用生成器将所述傅里叶转换结果F(u,v)转换为接近理想频率分量Fsionar(u,D)的去噪频域图像Faenoisea(u,v),并通过逆傅里叶变换将去噪频域Faenoisea(u,D)转换回空4.根据权利要求2所述的一种基于YOLOv8s模型的水下图像成器将F(u,v)转换为接近理想频率分量Fsigna(u,D5.根据权利要求2所述的一种基于YOLO4将全局平均池化结果和全局最大池化结果进行组合并计算像素所在位置的重要性权将所述重要性权重应用到所述去噪后的水下图像上，获得包含权重的将所述包含权重的水下图像输入动态感受野卷积中进行增强特征6.根据权利要求2所述的一种基于YOLOv8s述双重注意力增强特征提取模块(23)的执基于所述初始特征图，进行卷积操作并采用全局空间注意力机制进基于所述初始特征图，进行卷积操作并采用分离通道注意将所述全局空间注意力特征图和分离通道注意力特征图进行相加，并进行卷积操作，7.根据权利要求6所述的一种基于YOLO对所述第一初始特征图B和第二初始特征图C进行重塑，再对重塑后58.根据权利要求6所述的一种基于YOLOv8基于所述通道注意力图X与重塑后的A进行计算，获得分离通道注意力ij分别为输入特征图的第i个通道9.根据权利要求2所述的一种基于YOLOv8s模型的水所述边界框损失函数用于计算目标的预测目标框与真实6ii所述目标置信度损失函数用于计算目标检测准确性上与真实情采用改进后的YOLOv8s模型对预处理后的水下图像数据进行目标检测，其中所述改进后的YOLOv8s模型用于基于预处理后的水下图像数据，采用去噪机制和动态调整感受野机7[0001]本发明涉及图像检测技术领域，尤其是涉及一种基于YOLOv8s模型的水下图像检RetinaNet、R_CNN和FastR_CNN等算法利用卷积神经网络(CNN)自动学习图像的高层语义[0004]尽管深度学习技术虽然在水下图像检测中展现了巨大的8[0005]本发明的目的就是为了提供一种有效提升特征提取的深度和精度以提高检测性[0009]目标检测子系统：用于采用改进后的YOLOv8s模型对预处理后的水下图像数据进[0020]计算损失更新网络模块：用于利用所述损失函数通过反向传播算法更新网络权9v可,Fsigmar(u,D)为无噪频域达式为：号分布的期望。也就是说，这个期望是对所有含噪图像的频率域进行求和取平均值，域，为表示对无噪声真实信号分布的期望，Faenoisea(u,v)为生成器将F(u,v)[0039]将全局平均池化结果和全局最大池化结果进行组合并计算像素所在位置的重要[0041]将所述重要性权重应用到所述去噪后的水下图像上，获[0052]对所述第一初始特征图B和第二初始特征图C进行重塑，再对重塑后的C和重塑后[0058]将卷积后的初始特征图A进行重塑，将重塑后的A与重塑后的A的转置进行矩阵相ij分别为输入特征图的第i[0074]采用改进后的YOLOv8s模型对预处理后的水下图像数据进行目标检测，其中所述改进后的YOLOv8s模型用于基于预处理后的水下图像数据，采用去噪机制和动态调整感受[0078](1)本发明目标检测子系统中采用去噪机制和动态调整感受野机制结合的方式滤[0079](2)本发明水下特征消噪增强模块针对水下噪声，利用生成对抗网络得到高适应[0080](3)本发明双重注意力增强特征提取模块采用全局空间注意力机制与分离通道注意力机制进行特征增强，旨在解决水下目标与背景高度融合导致的特征提取困难的问题。[0081](4)本发明特征融合模块结合改进的水下特征消噪增强模块和双重注意力增强特征提取模块新增了大尺寸特征图输出，并且优化了不适合低分辨率的水下图像的降采样、水下光学目标检测智能算法数据集URPC2020作为主要数据集，该数据集由5543张图像组扇贝和海星。数据增强子系统将数据集训练集和测试集以及验证集按照8:1:1的比例进行检测子系统2搭建了一个能够更好地适应水中环境目标的检测模型，随后对其进行网络初[0095]1)当数据输入目标检测子系统2后，系统将数据交给输入的图像通过图像输入处[0096]2)在特征图提取模块中，首先会使用水下特征消噪增强模块12对数据集进行处络(GAN)的优势在于它能够通过深度学习的方法，根据频域中的噪声与信号具有不同的频输入的含噪频域F(u,v)映射到去噪的频域Faenoisea(u,D),判别器通过生成器输出的频域[0108]计算结束后，生成器将输入的F(u,v)转换为接近理想频率分量Fsionac(u,D)的输出Faenoisea(u,v),然后通过反傅里叶变换将去噪后的频域图像转换回空间域，从而得[0123]接着将水下特征消噪增强模块12的输出特征图输入到双重注意力增强特征提取[0133]31)输入特征图经过一系列卷积层和激活函数来提取更加高层次的特征，接着通[0136]32)该步骤根据得到的预测信息，进行计算分类损失(ClassLoss)函数通过计算白色高斯噪声，用于在模型预测和真实标签之间引入模拟水下环境产生噪声的随机性因[0139]33)同时，对于边界框损失(BoxLoss)用于衡量预测目标框的位置与实际目标框[0147]42)计算梯度：计算损失函数f(wt)想对于权重wt梯度g=vf(w),其中vf(wn)是损失t[0150]其中α作为学习率，通过调节学习率可以控制每次权重更新的大小确保模型逐步[0154]1)在性能监测与评估子系统3中，会使用一个独立于训练集的验证集进行间歇性[0156]经过性能监测与评估子系统3通过后，检测结果展示与输出子系统4会使用测试[0157]在实际检测应用中，该性能监测与评估子系统3在实际检测结果进行实时监测并[0160]如表1所示，本发明在各指标上都有了较好的提升，从平均检测精度的可观的提检测精度，同时模型大小减小了27.0有效减少了模型存储需求，更适用于水下检测场