基于YOLO的水生生物多目标检测方法及系统与流程

本发明涉及目标检测，尤其涉及一种基于yolo的水生生物多目标检测方法及系统。

背景技术：

1、在现代海洋生态研究和水生生物保护领域，准确监测和识别水生生物的种类和数量是至关重要的。然而，由于水下环境的复杂性和多变性，传统的水生生物监测方法往往面临着诸多挑战。首先，水下光照条件不佳，加之水体浑浊，使得获取清晰、高质量的水生生物图像变得困难。其次，水生生物种类繁多，形态各异，传统的图像处理方法难以有效区分和识别。此外，水下生物的动态性也给实时监测带来了额外的难度，因为它们会快速游动或改变形态。为了克服这些挑战，研究人员尝试采用机器学习和计算机视觉技术来提高检测的准确性和效率。其中，you only look once (yolo) 算法作为一种实时目标检测系统，因其速度快、精度高而受到广泛关注。但是，现有的基于yolo的检测方法大多是针对陆地生物或静态物体设计的，直接应用于水生生物检测时，由于水生生物的特殊性，如透明、反光、颜色变化等，这些方法的效果并不理想。

2、此外，水生生物的检测不仅需要识别出生物本身，还需要对其数量和行为模式进行分析。这就需要检测系统不仅要有高准确率，还要具备良好的泛化能力和实时性。然而，现有的系统往往在处理多目标检测时性能下降，尤其是在水下环境中，多尺度、多姿态的水生生物检测更是一个难题。

技术实现思路

1、基于此，本发明有必要提供一种基于yolo的水生生物多目标检测方法及系统，以解决至少一个上述技术问题。

2、为实现上述目的，一种基于yolo的水生生物多目标检测方法，包括以下步骤：

3、步骤s1：对目标水域进行水生生物图像采集，得到水生生物图像；对水生生物图像进行分辨率增强，得到增强水生生物图像；

4、步骤s2：对增强水生生物图像进行多分支层级化特征提取，得到残差增强生物特征图集；对残差增强生物特征图集进行跨尺度特征融合，得到融合水生生物特征图；

5、步骤s3：对目标水域进行历史检测数据采集，得到水生生物历史检测数据集；基于水生生物历史检测数据集对融合水生生物特征图进行锚框生成，得到初始锚框集；对初始锚框集进行形状位置优化，得到优化锚框集；

6、步骤s4：对增强水生生物图像进行时序连续帧采集，得到水生生物时序图像序列；基于水生生物时序图像序列对增强水生生物图像进行时空显著性检测，得到水生生物显著性图；

7、步骤s5：利用优化锚框集对融合水生生物特征图进行多目标检测与分类，得到原始检测结果集；根据水生生物显著性图对原始检测结果集进行后处理优化，得到最终多目标检测结果集。

8、本发明通过采用先进的图像处理和计算机视觉技术，显著提升了水下图像的质量和水生生物检测的准确性。通过分辨率增强处理有效改善了水下光照条件差和水体浑浊导致的图像质量问题，为后续处理提供了更清晰的图像数据。通过多分支层级化特征提取和跨尺度特征融合技术增强了模型对水生生物特征的表达能力，提高了对不同种类和形态生物的识别率。通过基于历史检测数据的锚框生成和优化，使模型能更好地适应水生生物的尺寸和形状变化，提升了检测框架的灵活性。通过时空显著性检测技术的应用，增强了模型对水生生物动态行为的捕捉能力，提高了复杂场景下的检测性能。通过结合显著性图的后处理优化，本发明不仅提升了检测准确率，还确保了良好的实时性，适合实际的水下监测和研究。模型的泛化能力使其能够适应多变的环境和生物种类，而本发明的实用性则为海洋生态研究、水生生物保护和水下资源开发等领域提供了强大的技术支持。综上所述，本发明有效解决了现有技术在水生生物监测和识别方面的不足，提高了检测的准确性、效率和实用性。

9、优选地，本发明还提供了一种基于yolo的水生生物多目标检测系统，用于执行如上所述的基于yolo的水生生物多目标检测方法，该基于yolo的水生生物多目标检测系统包括：

10、图像采集模块，用于对目标水域进行水生生物图像采集，得到水生生物图像；对水生生物图像进行分辨率增强，得到增强水生生物图像；

11、特征提取模块，用于对增强水生生物图像进行多分支层级化特征提取，得到残差增强生物特征图集；对残差增强生物特征图集进行跨尺度特征融合，得到融合水生生物特征图；

12、锚框生成模块，用于对目标水域进行历史检测数据采集，得到水生生物历史检测数据集；基于水生生物历史检测数据集对融合水生生物特征图进行锚框生成，得到初始锚框集；对初始锚框集进行形状位置优化，得到优化锚框集；

13、时序显著性检测模块，用于对增强水生生物图像进行时序连续帧采集，得到水生生物时序图像序列；基于水生生物时序图像序列对增强水生生物图像进行时空显著性检测，得到水生生物显著性图；

14、多目标检测模块，用于利用优化锚框集对融合水生生物特征图进行多目标检测与分类，得到原始检测结果集；根据水生生物显著性图对原始检测结果集进行后处理优化，得到最终多目标检测结果集。

15、本发明通过集成自动化图像采集、分辨率增强、多分支层级化特征提取、跨尺度特征融合、历史数据驱动的锚框优化、时空显著性检测以及多目标检测与后处理优化等技术，实现了水生生物监测的高度自动化和高效率，显著提升了识别的准确性和检测的实时性。系统的设计不仅减少了人工操作的需求，还通过先进的特征提取技术从多个维度捕捉并强化了水生生物的特征表达，通过优化的锚框生成进一步提高了检测的准确性并减少了误检。通过系统的时空分析能力为理解水生生物的动态行为提供了新的视角，而广泛的适用性和技术先进性则确保了系统能够适应多变的水下环境和生物多样性，为海洋生态研究、生物多样性保护以及环境监测等领域提供了强有力的技术支持。

技术特征：

1.一种基于yolo的水生生物多目标检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于yolo的水生生物多目标检测方法，其特征在于，步骤s1包括以下步骤：

3.根据权利要求2所述的基于yolo的水生生物多目标检测方法，其特征在于，步骤s16包括以下步骤：

4.根据权利要求1所述的基于yolo的水生生物多目标检测方法，其特征在于，步骤s2包括以下步骤：

5.根据权利要求4所述的基于yolo的水生生物多目标检测方法，其特征在于，步骤s27包括以下步骤：

6.根据权利要求1所述的基于yolo的水生生物多目标检测方法，其特征在于，步骤s3包括以下步骤：

7.根据权利要求6所述的基于yolo的水生生物多目标检测方法，其特征在于，步骤s37包括以下步骤：

8.根据权利要求1所述的基于yolo的水生生物多目标检测方法，其特征在于，步骤s4包括以下步骤：

9.根据权利要求1所述的基于yolo的水生生物多目标检测方法，其特征在于，步骤s5包括以下步骤：

10.一种基于yolo的水生生物多目标检测系统，其特征在于，用于执行如权利要求1所述的基于yolo的水生生物多目标检测方法，该基于yolo的水生生物多目标检测系统包括：

技术总结本发明涉及目标检测技术领域，尤其涉及一种基于YOLO的水生生物多目标检测方法及系统。所述方法包括以下步骤：对目标水域进行水生生物图像采集，得到水生生物图像；对水生生物图像进行分辨率增强，得到增强水生生物图像；对增强水生生物图像进行多分支层级化特征提取，得到残差增强生物特征图集；对残差增强生物特征图集进行跨尺度特征融合，得到融合水生生物特征图；对目标水域进行历史检测数据采集，得到水生生物历史检测数据集；基于水生生物历史检测数据集对融合水生生物特征图进行锚框生成，得到初始锚框集。本发明有效解决了现有技术在水生生物监测和识别方面的不足，提高了检测的准确性、效率和实用性。技术研发人员：刘琼琼,周滨,徐威杰,刘丹,李艳英受保护的技术使用者：天津市生态环境科学研究院（天津市环境规划院、天津市低碳发展研究中心）技术研发日：技术公布日：2025/1/6