本發(fā)明涉及智慧海洋和計(jì)算機(jī)視覺(jué)領(lǐng)域，特別是涉及一種基于改進(jìn)yolox的海面多目標(biāo)檢測(cè)方法。

背景技術(shù)：

1、隨著深度學(xué)習(xí)的不斷發(fā)展，計(jì)算機(jī)視覺(jué)技術(shù)也不斷服務(wù)于各個(gè)領(lǐng)域，其中海洋領(lǐng)域有著廣闊的發(fā)展空間，通過(guò)應(yīng)用該技術(shù)使得海洋領(lǐng)域的各個(gè)方面都得到了極大的提升，相對(duì)于傳統(tǒng)的機(jī)器學(xué)習(xí)算法來(lái)說(shuō)，深度學(xué)習(xí)在準(zhǔn)確性和反應(yīng)時(shí)間上都得到極大的改善，特別的在海面環(huán)境下，通過(guò)應(yīng)用該技術(shù)能夠高效的提取出帆船，海鳥(niǎo)，船員等目標(biāo)的特征，得到高效的識(shí)別方法。

2、同時(shí)，海面物體識(shí)別技術(shù)也可用于海防預(yù)警與海面交通情況，由于島礁，海浪，陽(yáng)光，天氣等特殊情況下可能會(huì)嚴(yán)重干擾目標(biāo)識(shí)別能力，從而可能導(dǎo)致觸礁，反應(yīng)不及時(shí)，目標(biāo)鎖定出錯(cuò)等錯(cuò)誤，以及遠(yuǎn)距離的船體顯得較小，船體被遮擋無(wú)法正確識(shí)別等特別情況。該發(fā)明可以提供實(shí)時(shí)的識(shí)別能力，較高的精準(zhǔn)度，能夠彌補(bǔ)這方面的不足，能夠更好的輔助操作人員進(jìn)行進(jìn)一步操作，避免一系列的危險(xiǎn)問(wèn)題，節(jié)省了人力，財(cái)力，提高了效率。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)上述存在的問(wèn)題，本發(fā)明提出一種基于改進(jìn)yolox的海面多目標(biāo)檢測(cè)方法用以解決現(xiàn)有技術(shù)中計(jì)算復(fù)雜，延遲高的問(wèn)題，精準(zhǔn)率不足的問(wèn)題。

2、本發(fā)明解決其技術(shù)問(wèn)題所采用的技術(shù)方案是：

3、一種基于改進(jìn)yolox的海面多目標(biāo)檢測(cè)方法，包括以下步驟；

4、步驟s1、首先對(duì)海洋類(lèi)相關(guān)網(wǎng)頁(yè)進(jìn)行監(jiān)控，再通過(guò)beautifulsoup技術(shù)不斷的獲取網(wǎng)頁(yè)的html標(biāo)簽中海面物體圖片，所述海面物體包括帆船、海鳥(niǎo)和船員等，用來(lái)構(gòu)建數(shù)據(jù)集，并且對(duì)所獲得的海面物體圖片進(jìn)行統(tǒng)一有規(guī)則的命名更好的方便后續(xù)的操作；

5、步驟s2、隨后通過(guò)使用labelme工具對(duì)所獲得的數(shù)據(jù)集進(jìn)行標(biāo)注，對(duì)海面物體進(jìn)行選取坐標(biāo)，并提取寬高添加對(duì)應(yīng)標(biāo)簽，構(gòu)建出voc格式的數(shù)據(jù)集；

6、步驟s3、將voc格式的數(shù)據(jù)集按81:9:10比例劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集；

7、步驟s4、在訓(xùn)練前使用數(shù)據(jù)增強(qiáng)mosaic算法，對(duì)多個(gè)海面物體圖片進(jìn)行隨機(jī)縮放、隨機(jī)裁減、隨機(jī)排布的方式進(jìn)行拼接，豐富了數(shù)據(jù)集；

8、步驟s5、構(gòu)建出改進(jìn)yolox-s算法模型，分為backbone、neck、head和loss四個(gè)部分，把訓(xùn)練集圖片數(shù)據(jù)輸入算法模型中進(jìn)行計(jì)算；

9、步驟s6、將測(cè)試集中的帶入訓(xùn)練后得到的模型得到預(yù)測(cè)結(jié)果，在整體訓(xùn)練過(guò)程中采用fp16半精度浮點(diǎn)格式混合精度訓(xùn)練，降低所需的內(nèi)存可以訓(xùn)練更大的模型或訓(xùn)練時(shí)使用更大的batch_size，能夠提高整體訓(xùn)練速度。

10、作為本發(fā)明進(jìn)一步的技術(shù)方案，在步驟s1中，先采用request技術(shù)實(shí)現(xiàn)對(duì)海洋相關(guān)網(wǎng)頁(yè)進(jìn)行監(jiān)控，再采用beautifulsoup技術(shù)對(duì)海面物體圖片進(jìn)行統(tǒng)一爬取，實(shí)現(xiàn)對(duì)html標(biāo)簽的持續(xù)爬取，并且按照時(shí)間順序統(tǒng)一的命名。

11、作為本發(fā)明進(jìn)一步的技術(shù)方案，在步驟s5中，構(gòu)建改進(jìn)yolox-s算法模型步驟包括：

12、步驟a1、在backbone網(wǎng)絡(luò)中采用cspdarknet結(jié)構(gòu)，在此基礎(chǔ)上添加了eca模塊，所述cspdarknet結(jié)構(gòu)包含有focus結(jié)構(gòu)與resblock塊，focus結(jié)構(gòu)把海面物體圖片切片提取使得通道擴(kuò)展四倍，再帶入darknet結(jié)構(gòu)，進(jìn)一步提取特征圖，其中resblock結(jié)構(gòu)有標(biāo)準(zhǔn)化卷積、silu激活函數(shù)、殘差網(wǎng)絡(luò)residual和spp結(jié)構(gòu)，可以獲得三個(gè)有效特征圖，然后將結(jié)果帶入eca模塊中，加強(qiáng)特征提??；

13、步驟a2、在neck網(wǎng)絡(luò)中，采用asff結(jié)構(gòu)替換原特征金字塔，asff結(jié)構(gòu)先經(jīng)過(guò)特征金字塔的三次上采樣和下采樣之后傳入一層特征融合層，得到的結(jié)果傳入下一個(gè)網(wǎng)絡(luò)；

14、步驟a3、在head網(wǎng)絡(luò)中，采用decoupled?head方式，在該層分為分類(lèi)與回歸兩部分，在該層有三個(gè)預(yù)測(cè)結(jié)果，其中回歸有reg判斷每一個(gè)特征點(diǎn)的回歸與obj判斷該特征點(diǎn)是否包含物體，分類(lèi)有cls用于判斷該特征點(diǎn)的物體種類(lèi)，最后輸出的結(jié)果為三個(gè)預(yù)測(cè)的堆疊；

15、步驟a4、在loss模塊中，使用simota的方式計(jì)算特征點(diǎn)與預(yù)測(cè)框的關(guān)系，再采用alpha-iou算法替換原iou算法計(jì)算區(qū)域框損失，用varifocalloss替換原二元交叉熵?fù)p失函數(shù)進(jìn)行計(jì)算訓(xùn)練損失；

16、步驟a5、在prediction階段中利用reg的結(jié)果計(jì)算中心特征點(diǎn)坐標(biāo)的偏移，在對(duì)預(yù)測(cè)框中心點(diǎn)的偏移值以及預(yù)測(cè)框的寬高進(jìn)行指數(shù)計(jì)算后得到預(yù)測(cè)框的寬高，再對(duì)得到的眾多預(yù)測(cè)框篩選出置信度大于閾值的框，再對(duì)種類(lèi)進(jìn)行非極大抑制，可以有效提取出遮擋船體等特征，其需要篩選出一定區(qū)域內(nèi)屬于同一種類(lèi)得分最大的框，再按照種類(lèi)進(jìn)行排序，取出最大得分的預(yù)測(cè)框，計(jì)算與其他預(yù)測(cè)框的重合度，若過(guò)大則剔除。

17、作為本發(fā)明進(jìn)一步的技術(shù)方案，在步驟a1中，在backbone網(wǎng)絡(luò)中采用cspdarknet結(jié)構(gòu)，而本發(fā)明在此基礎(chǔ)上添加了eca模塊，eca模塊添加了自適應(yīng)的注意力機(jī)制，該模塊能夠在保持原模型的情況下，降低計(jì)算的復(fù)雜性，并且增加了模型效率，使得對(duì)圖片中大量的船體，船員，鳥(niǎo)類(lèi)，魚(yú)類(lèi)等大量特征提取進(jìn)行加速：

18、cspdarknet結(jié)構(gòu)有focus結(jié)構(gòu)，focus結(jié)構(gòu)就是把海面物體圖片每隔一個(gè)像素拿到一個(gè)值，這樣就可以獲得了四個(gè)同樣大小的特征圖，然后將四個(gè)特征圖進(jìn)行堆疊，使得通道擴(kuò)展四倍，這樣縮小了縮小了特征圖大小，提高了運(yùn)行速度；

19、再帶入cbs層，進(jìn)一步提取特征圖，cbs層分別為卷積層、批量歸一化層和silu激活函數(shù)結(jié)合而成，其中silu激活函數(shù)為sigmoid和relu的改進(jìn)，平滑了relu激活函數(shù)；

20、接著帶入四個(gè)殘差塊resblock，記錄后三個(gè)結(jié)果，三個(gè)大小通道不同的特征圖，前三個(gè)resblock塊由cbs層與csplayer層組合而成，分別為1*1和3*3的卷積，殘差邊部分不做處理直接與輸入和輸出結(jié)合，第四個(gè)resblock塊，在中間加了一個(gè)spp結(jié)構(gòu)，通過(guò)不同池化核大小的最大池化進(jìn)行特征提取，提高網(wǎng)絡(luò)的感受野；

21、再將結(jié)果帶入eca模塊，繼續(xù)加強(qiáng)特征提取，并提高后續(xù)操作對(duì)特征處理的速度，實(shí)現(xiàn)對(duì)復(fù)雜性與計(jì)算效率進(jìn)行改進(jìn)，并且提供了更強(qiáng)大的特征表示能力，使得表達(dá)效果更好。

22、作為本發(fā)明進(jìn)一步的技術(shù)方案，在步驟a2中，在neck網(wǎng)絡(luò)中，采用asff結(jié)構(gòu)改進(jìn)原fapfn結(jié)構(gòu)，在原fapfn特征金字塔的基礎(chǔ)上添加一層特征融合層，加強(qiáng)特征提取，提高對(duì)細(xì)節(jié)的處理，能夠?qū)σ恍┻h(yuǎn)處的船體，魚(yú)類(lèi)特征進(jìn)行加強(qiáng)，需要對(duì)backbone模塊得到的結(jié)果進(jìn)行上采樣三次，下采樣三次然后將三次結(jié)果輸入特征融合層得到特征加強(qiáng)，再輸出三個(gè)結(jié)果。

23、作為本發(fā)明進(jìn)一步的技術(shù)方案，在步驟a4中，在loss模塊中，使用varifocalloss替換原來(lái)的二元交叉損失函數(shù)，使用alpha-iou替換原來(lái)的iou計(jì)算方法，接下來(lái)，首先需要得到真實(shí)框特征點(diǎn)之間的關(guān)系，在此處采用simota方式，simota會(huì)計(jì)算一個(gè)cost代價(jià)矩陣，代表每個(gè)真實(shí)框和每個(gè)特征點(diǎn)之間的代價(jià)關(guān)系，再者loss模塊計(jì)算要分別對(duì)head模塊中的輸出reg、obj和cls部分計(jì)算；

24、reg部分損失通過(guò)使用真實(shí)框和預(yù)測(cè)框之間得到的alpha-iou作為reg的loss組成；

25、obj部分損失計(jì)算方式是根據(jù)正負(fù)樣本和特征點(diǎn)的是否包含物體的預(yù)測(cè)結(jié)果計(jì)算交叉熵?fù)p失，所有真實(shí)框?qū)?yīng)的特征點(diǎn)都是正樣本，剩余的特征點(diǎn)均為負(fù)樣本；

26、cls部分根據(jù)真實(shí)框的種類(lèi)和特征點(diǎn)的種類(lèi)預(yù)測(cè)結(jié)果計(jì)算交叉熵?fù)p失，根據(jù)simota獲取到每個(gè)框?qū)?yīng)的特征點(diǎn)后，取出該特征點(diǎn)的種類(lèi)預(yù)測(cè)結(jié)果。

27、本發(fā)明的有益效果是：

28、本發(fā)明提出了一種基于改進(jìn)yolox的海面多目標(biāo)檢測(cè)方法，通過(guò)對(duì)多種海面物體的訓(xùn)練能夠得到一個(gè)速度與準(zhǔn)確度都優(yōu)秀的海面多目標(biāo)檢測(cè)的識(shí)別方法，可以用于海洋軍事，民用漁業(yè)領(lǐng)域，由于海面情況復(fù)雜，可能有的海面的目標(biāo)都很小，且處于移動(dòng)狀態(tài)，出現(xiàn)部分船體被遮擋等情況，通過(guò)本發(fā)明可以解決此方面的問(wèn)題，同時(shí)實(shí)現(xiàn)解決效率慢、耗時(shí)長(zhǎng)、浪費(fèi)人力資源的問(wèn)題。