本申請涉及生物檢測，尤其涉及海洋生物檢測方法、裝置、設備及存儲介質。

背景技術：

1、海洋生物檢測模型，尤其是基于yolov8的模型，在海洋生態(tài)系統(tǒng)研究、海洋物種保護、海洋牧場管理等領域展現出廣泛的應用前景。yolov8由于其高速和高精度的特點，非常適合實時處理視頻流和圖像數據，進行海洋生物的檢測和分類。但是，在水下環(huán)境中，基于yolov8的海洋生物檢測模型可能會遇到一些挑戰(zhàn)，導致特征提取能力不足。水下環(huán)境的復雜性和特殊性，如光照條件差和視線受阻，可能會限制模型的感受野，使得模型難以捕捉到大范圍的特征。由于水下圖像的對比度低和噪聲高，不同特征圖之間的融合不夠有效，導致模型難以從復雜的水下背景中準確提取目標特征。水下生物的多樣性和形態(tài)的復雜性，以及水下環(huán)境的不穩(wěn)定因素，可能會影響模型的檢測精度。同時水下圖像的獲取成本高，且標注工作繁瑣，導致可用于訓練的高質量數據集稀缺。

技術實現思路

1、本申請的主要目的在于提供一種海洋生物檢測方法、裝置、設備及存儲介質，旨在解決如何提高海洋生物檢測模型的檢測精度的技術問題。

2、為實現上述目的，本申請?zhí)岢鲆环N海洋生物檢測方法，所述方法包括：

3、獲取海洋生物圖像數據集；

4、基于所述海洋生物圖像數據集對預設模型進行訓練，得到初始檢測模型；

5、對所述初始檢測模型的卷積層、跨級局部網絡模塊以及改進型空間金字塔池模塊進行優(yōu)化，得到目標檢測模型；

6、通過所述目標檢測模型識別海洋生物圖像，得到海洋生物檢測結果。

7、在一實施例中，所述對所述初始檢測模型的卷積層、跨級局部網絡模塊以及改進型空間金字塔池模塊進行優(yōu)化，得到目標檢測模型的步驟包括：

8、獲取感受野注意卷積層、跨級局部網絡-感受野注意卷積層模塊以及改進型空間金字塔池-感知內核卷積模塊；

9、通過所述感受野注意卷積層、跨級局部網絡-感受野注意卷積層模塊以及改進型空間金字塔池-感知內核卷積模塊對所述初始檢測模型的卷積層、跨級局部網絡模塊以及改進型空間金字塔池模塊進行優(yōu)化，得到優(yōu)化后的所述初始檢測模型；

10、將優(yōu)化后的所述初始檢測模型作為目標檢測模型。

11、在一實施例中，所述獲取感受野注意卷積層、跨級局部網絡-感受野注意卷積層模塊以及改進型空間金字塔池-感知內核卷積模塊的步驟包括：

12、獲取所述初始檢測模型的注意力機制模塊、卷積層、跨級局部網絡模塊以及改進型空間金字塔池模塊；

13、對所述注意力機制模塊進行優(yōu)化，得到感受野注意力卷積模塊；

14、將所述卷積層與所述感受野注意力卷積模塊進行融合，得到感受野注意卷積層；

15、將所述跨級局部網絡模塊的瓶頸層的預設卷積層替換為所述感受野注意卷積層；

16、將所述跨級局部網絡模塊的所述瓶頸層替換為瓶頸層-感受野注意卷積層模塊，得到跨級局部網絡-感受野注意卷積模塊；

17、將所述改進型空間金字塔池模塊與感知內核卷積模塊融合，得到改進型空間金字塔池-感知內核卷積模塊。

18、在一實施例中，所述基于所述海洋生物圖像數據集對預設模型進行訓練，得到初始檢測模型的步驟包括：

19、對所述海洋生物圖像數據集進行預處理，得到預處理數據集；

20、根據所述預處理數據集得到訓練數據集；

21、基于所述訓練數據集對預設模型進行訓練，得到初始檢測模型。

22、在一實施例中，所述通過所述目標檢測模型識別海洋生物圖像，得到海洋生物檢測結果的步驟包括：

23、獲取海洋生物實時圖像數據；

24、將所述海洋生物實時圖像數據輸入所述目標檢測模型，得到模型輸出結果；

25、將所述模型輸出結果作為海洋生物檢測結果。

26、在一實施例中，所述通過所述目標檢測模型識別海洋生物圖像，得到海洋生物檢測結果的步驟之前包括：

27、通過預處理數據集中的驗證數據集對所述目標檢測模型進行評估，得到評估結果；

28、在所述評估結果為目標檢測模型不符合標準時，返回所述獲取海洋生物圖像數據集的步驟；

29、在所述評估結果為目標檢測模型符合標準時，完成模型評估。

30、在一實施例中，所述通過預處理數據集中的驗證數據集對所述目標檢測模型進行評估，得到評估結果的步驟包括：

31、獲取預處理數據集中的驗證數據集；

32、將所述驗證集數據輸入至所述目標檢測模型進行評估，得到評估數據；

33、在所述評估數據不符合預設要求時，得到評估結果為目標檢測模型不符合標準；

34、在所述評估數據符合所述預設要求時，得到所述評估結果為目標檢測模型符合標準。

35、此外，為實現上述目的，本申請還提出一種海洋生物檢測裝置，所述裝置包括：數據獲取模塊，用于獲取海洋生物圖像數據集；

36、模型訓練模塊，用于基于所述海洋生物圖像數據集對預設模型進行訓練，得到初始檢測模型；

37、模型優(yōu)化模塊，用于對所述初始檢測模型的卷積層、跨級局部網絡模塊以及改進型空間金字塔池模塊進行優(yōu)化，得到目標檢測模型；

38、識別檢測模塊，用于通過所述目標檢測模型識別海洋生物圖像，得到海洋生物檢測結果。

39、此外，為實現上述目的，本申請還提出一種海洋生物檢測設備，所述設備包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，所述計算機程序配置為實現如上文所述的海洋生物檢測方法的步驟。

40、此外，為實現上述目的，本申請還提出一種存儲介質，所述存儲介質為計算機可讀存儲介質，所述存儲介質上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現如上文所述的海洋生物檢測方法的步驟。

41、此外，為實現上述目的，本申請還提供一種計算機程序產品，所述計算機程序產品包括計算機程序，所述計算機程序被處理器執(zhí)行時實現如上文所述的海洋生物檢測方法的步驟。

42、本申請?zhí)岢龅囊粋€或多個技術方案，至少具有以下技術效果：

43、由于采用了對檢測模型的卷積層、跨級局部網絡模塊以及改進型空間金字塔池模塊進行優(yōu)化，解決了水下環(huán)境導致海洋生物檢測模型的特征提取能力不足，獲取的感受野差、特征融合效果差以及檢測精度低的技術問題，與現有技術相比，實現了提高海洋生物檢測模型的檢測精度。

技術特征：

1.一種海洋生物檢測方法，其特征在于，所述方法包括：

2.如權利要求1所述的方法，其特征在于，所述對所述初始檢測模型的卷積層、跨級局部網絡模塊以及改進型空間金字塔池模塊進行優(yōu)化，得到目標檢測模型的步驟包括：

3.如權利要求2所述的方法，其特征在于，所述獲取感受野注意卷積層、跨級局部網絡-感受野注意卷積層模塊以及改進型空間金字塔池-感知內核卷積模塊的步驟包括：

4.如權利要求1所述的方法，其特征在于，所述基于所述海洋生物圖像數據集對預設模型進行訓練，得到初始檢測模型的步驟包括：

5.如權利要求1所述的方法，其特征在于，所述通過所述目標檢測模型識別海洋生物圖像，得到海洋生物檢測結果的步驟包括：

6.如權利要求1所述的方法，其特征在于，所述通過所述目標檢測模型識別海洋生物圖像，得到海洋生物檢測結果的步驟之前包括：

7.如權利要求6所述的方法，其特征在于，所述通過預處理數據集中的驗證數據集對所述目標檢測模型進行評估，得到評估結果的步驟包括：

8.一種海洋生物檢測裝置，其特征在于，所述裝置包括：

9.一種海洋生物檢測設備，其特征在于，所述設備包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，所述計算機程序配置為實現如權利要求1至7中任一項所述的海洋生物檢測方法的步驟。

10.一種存儲介質，其特征在于，所述存儲介質為計算機可讀存儲介質，所述存儲介質上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現如權利要求1至7中任一項所述的海洋生物檢測方法的步驟。

技術總結
本申請公開了一種海洋生物檢測方法、裝置、設備及存儲介質，涉及生物檢測技術領域，包括：獲取海洋生物圖像數據集；基于所述海洋生物圖像數據集對預設模型進行訓練，得到初始檢測模型；對所述初始檢測模型的卷積層、跨級局部網絡模塊以及改進型空間金字塔池模塊進行優(yōu)化，得到目標檢測模型；通過所述目標檢測模型識別海洋生物圖像，得到海洋生物檢測結果。本申請能夠實現提高海洋生物檢測模型的檢測精度。

技術研發(fā)人員：于明達,高遵海
受保護的技術使用者：武漢輕工大學
技術研發(fā)日：
技術公布日：2025/1/9