本發明屬于水下目標檢測，具體涉及一種基于強化細粒度特征表達分支的輕量化wcspomni-detr的海洋生物檢測方法。

背景技術：

1、隨著陸地資源的日益緊張，開發海洋資源成為許多國家和地區的戰略需要。水下圖像是海洋信息的重要載體和表現形式，然而，受水下環境特定物理和化學性質的影響，水下圖像通常會出現光照不均勻、對比度降低、色彩失真等退化現象，使得圖像中海洋生物的特征難以被充分提取，尤其是成群聚集的一些小體型海洋生物，它們的彼此之間的空間信息隨著深度卷積神經網絡特征提取的過程而被淡化。因此，常規的目標檢測模型便無法利用高效的特征進行目標的定位與分類。各種特征增強、特征融合模塊被提出并且應用到模型的頸部網絡中以針對此種情況，zhuoyan?liu等人提出了一個即插即用的水下聯合圖像增強模塊：unitmodule，hui?zhou等人提出了一個基于you?only?look?once?version?8(yolov8)框架的水下光探測網絡(uodn)，該網絡通過跨階段多分支(csmb)模塊和大內核空間金字塔(lksp)模塊水下檢測難題，xia?hua等人設計了特征增強門控模塊和相鄰特征融合機制和動態融合模塊來防止小目標信息的丟失，這些模塊要么仍然利用原骨干網絡提取出的幾層平庸的特征圖，只不過是在此基礎上多了些不同層級特征交互的操作，要么帶來了較大的參數量提升，不能夠適應水下目標檢測平臺有限的硬件資源。

2、real-time?detection?with?transformer(rt-detr)自被提出以來，就以其能夠打敗you?only?look?once(yolo)系列的檢測精度和速度而聞名。該模型通過尺度內交互和跨尺度融合高效處理多尺度特征，然而，其仍然面臨著計算量大和處理精細目標性能不足的挑戰。qianfeng?ge等人在ccfm模塊中實現了zoom-cat尺度拼接和ssf，增強了網絡的多尺度特征融合能力，并使用deformable?attention替換原有的multi-head?self-attention(mhsa)。xiaoxin?li等人在rt-detr-l尺寸的基礎上提出space-to-depthtransformer?module替換原骨干網絡中的深度卷積，以此促進局部和全局特征之間的深度交互，同時使用contextual?transformer作為編碼器增強模型處理重疊目標的能力。hailin?feng等人以rt-detr為主要結構，結合軟閾值和cascaded-group-attention(cga)模塊，稱為sc-rtdetr，在松材萎蔫病遙感影像數據集上取得了較大的性能提升。雖然這些改進的rt-detr在各自的領域都取得了一定進步，但是要么以替換參數量更大的模塊為代價，要么提取的特征未能對圖像中的空間信息進行有效加強，不能應對水下圖像失真且檢測平臺硬件資源受限的情況。

技術實現思路

1、本發明的目的在于針對現有水下目標檢測方法的算法規模較大、精度有所欠缺等問題，提出的一種使用小波卷積和改進的efficient?additive?aifi做輕量化處理，再使用強化細粒度特征表達分支來加強細節信息提取的wcspomni-detr輕量化海洋生物檢測方法。

2、本發明提供一種基于強化細粒度特征表達分支的輕量化wcspomni-detr的海洋生物檢測方法，包括以下步驟：

3、步驟s1：獲取海洋生物目標檢測數據集并進行預處理；所述海洋生物目標檢測數據集中包含海洋生物的圖片數據；

4、步驟s2：構建wcspomni-detr模型，所述wcspomni-detr模型的輸入為海洋生物的圖片數據，輸出為圖片中海洋生物類型的預測值：獲取rt-detr模型和小波卷積模塊，使用小波卷積模塊替換rt-detr模型主干網絡中basicblock模塊的第二個卷積模塊，得到改進后的主干提取網絡；獲取omni-kernel模塊，所述omni-kernel模塊是一個由全局分支、大分支和局部分支三個分支組成的全內核模塊；利用cross?stage?partial?network架構輕量化改進omni-kernel模塊，對輸入特征圖的局部進行omni-kernel模塊的卷積操作，其余部分直接和卷積的結果進行拼接，得到cspomnikernel模塊；利用cspomnikernel模塊和spdconv模塊構建wcspomni-detr模型的強化細粒度特征表達分支，包括：引出rt-detr模型主干網絡中的s2淺層特征圖，經spdconv卷積后和深層特征在cspomnikernel模塊中進行全局到局部的特征融合，以加強對細粒度特征的表達；獲取efficient?additive?attention模塊，利用其改進rt-detr模型的aifi模塊結構，得到wcspomni-detr模型；

5、步驟s3：使用海洋生物目標檢測數據集對wcspomni-detr模型進行訓練，得到訓練好的wcspomni-detr模型；

6、步驟s4：獲取待測圖片，輸入訓練好的wcspomni-detr模型，得到預測結果。

7、優選的，所述獲取efficient?additive?attention模塊，利用其改進rt-detr的aifi模塊結構，具體包括：將aifi模塊原有的mhsa模塊，替換為efficient?additiveattention模塊。

8、優選的，所述步驟s2中所使用的rt-detr模型的規模為rt-detr-resnet18。

9、優選的，所述步驟s2中利用cross?stage?partial?network的思想對omni-kernel模塊進行輕量化改進時對特征圖做卷積操作的比例為1/4。

10、優選的，所述步驟s3還包括對wcspomni-detr模型的以下超參數設置，訓練輪次設置為160、批大小設置為16、優化器采用adamw、學習率設置為0.0001。

11、優選的，所述步驟s1中所述海洋生物包括海星、珊瑚、海膽、海參、扇貝。

12、本發明的有益效果：

13、本發明針對水下目標檢測場景的特殊需求，以rt-detr-resnet18模型作為基準做出了一系列改進措施，利用其在實時性、準確率、多尺度檢測和多類別檢測等方面的優勢，同時改進其在計算復雜度、參數量大等方面問題，提出了基于小波卷積和cspomnikernel模塊改進的水下實時目標檢測算法，稱為wcspomni-detr。為了加強對海洋生物圖像中細粒度信息的特征表達，引入額外的淺層特征處理分支，將處理后的s2特征層和深層信息在提出的cspomnikernel模塊中進行全面的特征表示。此外，為了使算法的規模更好得適應水下平臺的硬件資源，引入小波卷積到骨干網絡的basicblock中，減少參數量的同時擴大感受野。最后，wcspomni-detr的編碼器采用高效加性注意力結構(efficient?additiveattention)，以產生更快的水下推理速度和更健壯的上下文表示。經實驗證明，所提出的檢測算法相對于基準模型減少了25.5％的參數量，在urpc2021數據集上相比于基準在map50指標上提升了0.82％，模型的規模和精確度都媲美當前最先進的實時目標檢測模型yolo系列。