基于轻量化改进Yolov8的水下移动目标检测方法及系统

本发明涉及水下移动目标检测，尤其是涉及一种基于轻量化改进yolov8的水下移动目标检测方法及系统。

背景技术：

1、随着海洋资源的不断开发和利用，对水下移动目标的探索与监管需求日益增加。传统的水下目标检测方法在小目标检测精度以及系统轻量化方面仍有不足。因此，开发一种能够在保证高精度的同时，具备轻量化和小目标检测出色能力的水下移动目标检测与监管系统，具有重要的实际应用价值。

2、考虑到水下环境的特殊性和水下机器人算力资源的有限性，对水下目标检测技术提出了轻量化、高精度和实时性的严格要求。在这样的背景下，单阶段目标检测算法以其高效的速度和实时性特点，特别适用于水下目标检测任务。

3、专利申请cn117746226a公开了一种基于yolov8的轻量级水下小目标检测方法，该方法以yolov8为基准搭建水下小目标检测网络模型，以满足于真实环境中嵌入式设备部署目标检测器的轻量化需求，但是对于图像的局部和全局特征未进行充分表达。专利申请cn118334703a公开了一种水下鱼类的目标检测方法、装置、设备及存储介质，该方法采用yolov8作为基准模型，对yolov8的骨干网络进行改进构建出目标检测模型。尽管yolov8算法在轻量化、实时性和整体检测精度上表现出色，但在应用于水下目标检测时，尤其是在处理小目标时，其检测精度和轻量化程度仍有进一步提升的空间。

技术实现思路

1、本发明的目的就是为了提供一种轻量化的同时提高小目标检测精度的基于轻量化改进yolov8的水下移动目标检测方法及系统。

2、本发明的目的可以通过以下技术方案来实现：

3、一种基于轻量化改进yolov8的水下移动目标检测方法，包括以下步骤：

4、实时获取水下图像输入预先训练好的轻量化目标检测模型中进行水下移动目标检测，输出检测结果，其中，所述轻量化目标检测模型采用改进的yolov8模型进行训练，所述轻量化目标检测模型包括骨干网络、轻量级跨尺度特征融合模块和新型动态检测头；

5、所述轻量化目标检测模型的执行步骤包括：

6、将所述水下图像输入骨干网络中，得到不同尺度的特征图；

7、将所述不同尺度的特征图输入轻量级跨尺度特征融合模块进行逐步融合，生成富含全局和局部的融合特征；

8、将所述富含全局和局部的融合特征输入所述新型动态检测头进行检测，输出检测结果。

9、进一步地，所述骨干网络包括卷积层、c2f层和sppf层，所述得到不同尺度的特征图的步骤包括：

10、所述水下图像依次经过两个卷积层、一个c2f层、一个卷积层和一个c2f层进行处理，得到第一尺度的特征图；

11、所述第一尺度的特征图依次经过一个卷积层和一个c2f层，得到第二尺度的特征图；

12、所述第二尺度的特征图依次经过一个卷积层、一个c2f层和一个sppf层进行处理得到第三尺度的特征图。

13、进一步地，所述轻量级跨尺度特征融合模块包括多尺度特征融合子模块和混合局部通道注意力子模块，所述生成富含全局和局部的融合特征的步骤包括：

14、基于所述不同尺度的特征图利用所述多尺度特征融合子模块进行自下而上地跨尺度拼接，生成富含语义信息的融合特征；

15、基于所述富含语义信息的融合特征，利用混合局部通道注意力子模块整合通道信息与空间信息，同时结合局部和全局特征，输出富含全局和局部的融合特征。

16、进一步地，所述多尺度特征融合子模块包括卷积层、上采样层和连接层，所述生成富含语义信息的融合特征的步骤包括：

17、将不同尺度的特征图分别输入不同的卷积层中进行卷积处理，并通过上采样层将不同尺度的特征图统一到同一尺寸，再经过所述连接层进行连接，得到所述富含语义信息的融合特征。

18、进一步地，所述混合局部通道注意力子模块包括局部平均池化层、第一支路、第二支路、求和层、反池化层和乘积层，所述第一支路包括全局平均池化层、特征重排列层、一维卷积层和反池化层，所述第二支路包括特征重排列层、一维卷积层，所述输出富含全局和局部的融合特征的步骤包括：

19、将所述富含语义信息的融合特征输入局部平均池化层中集合局部区域特征，得到局部特征集合的融合特征；

20、将所述局部特征集合的融合特征输入第一支路的全局平均池化层进行全局平均池化，获取空间信息，生成紧凑的特征表示，并输入特征重排列层进行特征重排列，再依次通过一维卷积层和反池化层分别进行一维卷积压缩特征通道和反池化操作，得到富含全局的融合特征；

21、将所述局部特征集合的融合特征输入第二支路的特征重排列层进行特征重排列，并通过一维卷积层进行一维卷积压缩特征通道，再利用特征重排列层进行一次特征重排列，得到富含局部的融合特征；

22、将所述富含全局的融合特征和富含局部的融合特征输入求和层进行求和操作，以融合全局上下文信息，再经过所述反池化层进行空间维度还原，最后再与所述富含语义信息的融合特征在乘积层中进行乘法操作，得到最终的富含全局和局部的融合特征。

23、进一步地，所述新型动态检测头包括尺度感知注意力机制模块、空间感知注意力机制模块、任务感知注意力机制模块和支路结构，所述输出检测结果的步骤包括：

24、将所述富含强语义信息的融合特征输入尺度感知注意力机制模块中，以根据各尺度上语义信息的重要性动态地融合不同尺度的特征，得到尺度感知的融合特征；

25、将所述尺度感知的融合特征输入空间感知注意力机制模块中，以将注意力集中在空间位置和特征层次上一致存在的区分区域上，利用可变形卷积技术来稀疏化注意力学习，得到空间感知的融合特征；

26、将所述空间感知的融合特征输入任务感知注意力机制模块中，以选择是否学习激活的阈值，利用开关控制机制智能地打开或关闭通道，生成任务感知的融合特征；

27、将所述任务感知的融合特征输入支路结构中进行检测，输出检测结果。

28、进一步地，所述支路结构包括三个支路，分别为目标分类支路、中心点回归支路和边界框回归支路。

29、进一步地，水下移动目标检测过程中采用跳帧检测的方式进行检测。

30、本发明还提供一种基于轻量化改进yolov8的水下移动目标检测系统，包括：

31、水下机器人：包括图像获取单元和检测单元，所述图像获取单元用于获取水下图像，所述检测单元用于根据所述水下图像采用训练好的轻量化目标检测模型进行水下移动目标检测，输出检测结果；

32、ui显示单元：用于将所述检测结果和获取的水下图像一同显示在ui界面上。

33、进一步地，还包括监控单元，所述监控单元用于根据检测结果判断是否出现移动目标，若是，则自动在本地保存包含移动目标的检测结果，同时向管理员邮箱自动发送邮件，若否，则不做任何操作。

34、与现有技术相比，本发明具有以下有益效果：

35、(1)本发明通过基于标准的yolov8模型进行轻量化改进，采用轻量级跨尺度特征融合模块进行逐步融合多尺度特征，并又可以结合局部特征和全局特征，应用于水下目标检测时，可以很好地平衡不同尺度目标的检测效果，对小目标检测能力带来有效提高。

36、(2)本发明混合局部通道注意力子模块采用的是一种轻量级的注意力机制，能够在维持参数量和计算量基本不变的情况下，提高检测精度，整合通道信息与空间信息，同时结合了局部和全局特征，有效增强了网络的表达能力，从而提升了网络表达效果。

37、(3)本发明新型动态检测头采用多种注意力机制，多种注意力机制分别从尺度、空间和任务感知方面增强特征表达，每个注意力机制仅关注一个维度，使得特征图更加清晰和聚焦。

38、(4)本发明进行的轻量化改进，相比原yolov8模型减少了参数量、计算量以及模型大小，运行改进后的目标检测模型所需要的运算资源减少，部署于水下机器人难度降低，对水下机器人的算力要求有明显降低。

39、(5)本发明检测到移动目标之后，除了通过ui界面实时显示，还可以自动通过邮箱通知监管员，可以在多种设备或平台上观察，便于监管人员实时完成观察、监控任务，也方便实时对移动目标采取相应的保护措施。