买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：大连海洋大学

摘要：基于通道非降维注意力机制与改进YOLOv5的ESB‑YOLO模型养殖鱼群检测方法，属于计算机视觉领域。本发明充分应用基于通道非降维注意力机制与改进YOLOv5的养殖鱼群检测模型ESB‑YOLO来解决养殖鱼群目标检测任务。ESB‑YOLO模型通过通道非降维双重注意力机制ECBAM模块提升了YOLOv5的骨干网络对于的鱼类特征的提取能力；通过BiFPN模块提升了YOLOv5的特征融合网络的特征融合能力；并通过SPPF模块与BiFPN模块的轻量化设计降低了ECBAM模块带来的计算量。本发明在养殖场景上实现了养殖鱼群的目标检测，提升了目标模糊与气泡遮挡情况下养殖鱼群目标检测的效果，同时没有增加模型的计算时间，证明了基于通道非降维注意力机制与改进YOLOv5的ESB‑YOLO模型养殖鱼群检测方法的实用性。

主权项：1.基于通道非降维注意力机制与改进YOLOv5的ESB-YOLO模型养殖鱼群检测方法，其特征在于，应用基于通道非降维注意力机制与改进YOLOv5的养殖鱼群检测模型ESB-YOLO，所述ESB-YOLO模型具体包括：输入端、骨干网络、特征融合网络和输出端；所述检测方法包括步骤如下：步骤1，将待检测图像输入到所述ESB-YOLO模型的输入端，对待检测图像进行预处理，得到预处理后的图像；步骤2，将所述预处理后的图像输入到所述ESB-YOLO模型的骨干网络中，通过YOLOv5模型骨干网络的Focus模块、卷积单元和C3模块后，经过快速空间金字塔池化SPPF模块、C3模块，之后进入到通道非降维双重注意力机制ECBAM模块，对所述预处理后的图像进行特征提取，获得具有细节、定位信息的底层特征和具有语义信息的高层特征；步骤3，将所述底层特征与高层特征输入到所述ESB-YOLO模型的特征融合网络中，在三个检测深度上获得含有细节、语义、定位信息的融合特征；步骤4，将所述融合特征输入到所述ESB-YOLO模型的输出端，进行结果预测与筛选，得到最终的预测结果，实现养殖鱼群的目标检测；所述ESB-YOLO模型的骨干网络的输入为输入端的输出，骨干网络首先经Focus模块对输入的预处理后的图像进行横纵向切片再拼接，然后将拼接后的输出依次经过第一卷积单元、第一C3模块、第二卷积单元、第二C3模块、第三卷积单元、第三C3模块、第四卷积单元，获得特征图，其中C3模块用于对卷积单元输出的残差特征进行1x1和3x3卷积学习，接着将特征图输入到SPPF模块通过3个池化核为5的最大池化，将任意大小的特征图转换成固定大小的特征向量，再经过第四C3模块，最后特征向量经过ECBAM模块标注重点特征信息，包括重点检测目标以及重点检测目标的定位信息，获得具有细节与定位信息的底层特征和具有语义信息的高层特征。

全文数据：

权利要求：

百度查询： 大连海洋大学 基于通道非降维注意力机制与改进YOLOv5的ESB-YOLO模型养殖鱼群检测方法