(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 202210263759.3 (22)申请日 2022.03.14 (71)申请人 三峡大学 地址 443002 湖北省宜昌市西陵区大 学路8 号 (72)发明人 陈露露　臧兆祥　黄天星　 (74)专利代理 机构 宜昌市三峡专利事务所 42103 专利代理师 余山 (51)Int.Cl. G06V 40/10(2022.01) G06V 20/05(2022.01) G06V 10/44(2022.01) G06V 10/774(2022.01) G06V 10/776(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 9/62(2022.01) (54)发明名称 一种基于注意力机制和DropBlock的YOL Ov5 海洋鱼类目标检测方法 (57)摘要 一种基于注意力机制和DropBlock的YOL Ov5 海洋鱼类目标检测方法， 它包括以下步骤： 步骤 1： 进行目标鱼类数据集的获取； 步骤2： 对所 获得 的数据集进行标注、 划分； 步骤3： 构造加入注意 力机制和DropBlock的YOLOv5海洋鱼类目标检测 模型； 步骤4： 采用所构造的海洋鱼类目标检测模 型进行鱼类的检测。 本发明的目的是为了解决现 有的鱼类检测方法由于海洋鱼类活动范围较大 以及多样的生存环境， 在水下拍摄的鱼类存在变 形， 无法捕捉到较为清晰的鱼类目标， 影响鱼类 检测的准确率， 而单一的卷积神经网络提取鱼类 特征易受到图像噪声的干扰， 无法快速的检测出 鱼类， 从而影 响目标检测方法的速度和精度的技 术问题。 权利要求书2页 说明书7页 附图3页 CN 114677708 A 2022.06.28 CN 114677708 A 1.一种基于注意力机制和 DropBlock的YOLOv5海洋鱼类目标检测方法， 其特征在于， 它 包括以下步骤： 步骤1： 进行目标鱼类数据集的获取； 步骤2： 对所获得的数据集进行 标注、 划分； 步骤3： 构造加入注意力机制和Drop Block的YOLOv5海洋鱼类目标检测模型； 步骤4： 采用所构造的海洋鱼类目标检测模型进行鱼类的检测。 2.根据权利要求1所述的方法， 其特征在于， 在步骤3中， 所述模型的结构为： 将由步骤2 获得的鱼类数据集依次经过第一CBS模块 ‑‑‑第二CBS模块 ‑‑‑第一C3模块 ‑‑‑第三CBS模 块‑‑‑第二C3模块 ‑‑‑第四CBS模块 ‑‑‑第三C3模块 ‑‑‑第五CBS模块 ‑‑‑第四C3模块 ‑‑‑SPPF 模块‑‑‑第六CBS模块‑‑‑第一Unsample模块 ‑‑‑第一Concat模块 ‑‑‑第五C3模块 ‑‑‑第七CBS 模块‑‑‑第二Upsample模块 ‑‑‑第二Concat模块 ‑‑‑第六C3模块 ‑‑‑第八CBS模块 ‑‑‑第三 Concat模块 ‑‑‑第七C3模块‑‑‑第九CBS模块 ‑‑‑第四Concat模块 ‑‑‑第八C3模块； 其中， 第一Unsample模块的输出与第三C 3模块的输出拼接并输入第一Co ncat模块； 第二Unsampale模块的输出与第二C 3模块的输出拼接并输入第二Co ncat模块； 第六C3模块的输出输入第一卷积模块Conv的输入端， 第一卷积模块Conv的输出作 为第 一输出结果； 第七C3模块的输出输入第二卷积模块Conv的输入端， 第二卷积模块Conv的输出作 为第 二输出结果； 第八C3模块的输出输入第三卷积模块Conv的输入端， 第三卷积模块Conv的输出作 为第 三输出结果； 第一输出 结果、 第二输出 结果、 第三输出 结果合并以获得合并后的检测结果。 3.根据权利要求2所述的方法， 其特征在于， 第一C3模块为改进的C3模块， 它包括C3模 块以及与C 3模块的输出 连接的ECA模块； 在第一C3模块、 第二C3模块、 第三C3模块、 第四C3模块和第五C3模块 中， 具体的结构为： C3模块包括两条支路， 第一条支路包括依次串接的CBS模块、 b ottleneck； 另一条支路包括 CBS模块； 两条支路的输出拼接后串接 CBS模块， 再与E CA模块连接 。 4.根据权利要求3所述的方法， 其特征在于， 在ECA模块中， 输入经过池化层， 再经过卷 积， 最后经过Sigmoid激活函数得到输出， 该输出与输入 特征图相乘， 其结果作为ECA模块的 输出。 5.根据权利要求3所述的方法， 其特征在于， 第六C3模块为改进的C3模块， 它包括 DropBlock模块、 与DropBlock模块的输 出连接的C3模块、 与C3模块的输 出连接的ECA、 与ECA 的输出连接的SSA； 在第六C3模块、 第七C3模块和第八C3模块中， 具体的结构为： C3模块包括两条支路， 第 一条支路包括依次串接的CBS 模块、 bottleneck； 另一条支路包括CBS 模块； 两条支路的输出 拼接后串接 CBS模块， 再与E CA模块连接， 再与S SA模块连接； 在DropBlock模块中， 输入经 过DropBlock丢弃局部区域信息得到 输出； 在ECA模块中， 输入经过池化层， 再经过卷积， 最后经过Sigmoid激活函数得到输出， 该 输出与输入特 征图相乘， 其结果作为E CA模块的输出； 在SSA模块中， 输入分别经过全局最大池化层和全局平均池化层， 得到W方向和H方向的权　利　要　求　书 1/2 页 2 CN 114677708 A 2特征图最大值， 经过BN层， 再经过卷积， 最后经过Sigmoid激活函数得到输出， 该输出与输入 特征图相乘， 其结果作为S SA模块的输出。 6.根据权利要求1所述的方法， 其特征在于， 在步骤2中， 将由步骤1获取的数据集使用 LabelImg标注软件进行手工校对和标注， 得到对应的标签数据。 7.根据权利要求1所述的方法， 其特 征在于， 在步骤4中， 包括以下步骤： 4‑1： 将海洋鱼类训练集输入到步骤3中的网络中进行训练， 调整模型的学习率、 动量、 迭代次数， 采用余弦退火算法动态调整学习率； 4‑2： 将海洋鱼类测试集放入步骤4 ‑1训练好的模型中， 根据模型输出结果计算相 关评 价指标， 来评价模型的性能； 若模型性能达不到预期， 调整网络参数， 重复步骤4 ‑1和步骤4 ‑2； 通过计算精度 (Accuracy)、 查准率(Precision)、 查全率(Recall)和参数量(Parameters)， 对方法的性能 进行度量； 精度计算公式如式(3)所示， 查准率计算公式如式(4)所示， 查全率计算公式如式(5)所 示； 其中： TP表示真正例， FP表示 假正例， FN表示 假负例， TN表示真负例。权　利　要　求　书 2/2 页 3 CN 114677708 A 3