基于改进YOLOv5s的海水鱼种类识别

[目的]为提高不同种类海水鱼的识别准确率,提出一种改进YOLOv5s的海水鱼种类识别方法.[方法]采用K-means++算法对海水鱼的真实框进行聚类计算,获得与自建数据集更加匹配的锚框;用SIoU损失函数替换CIoU损失函数作为边界框回归算法,提高边界框回归精度与收敛速度;改进骨干网络的部分C3模块,将CA协调注意力机制融入C3模块中,在降低模型参数量的同时还能提高模型的识别精度与检测速度;最后,优化模型的路径聚合网络,以此增强网络的特征融合能力.[结果]改进后的Our-YOLOv5s模型在数据集中测得平均精度均值为98.4%、检测速度为64 s-1,分别比原模型提高了2.4个百分点,6 s-...

Full description

Saved in:
Bibliographic Details
Published in食品与机械 Vol. 40; no. 8; pp. 84 - 92
Main Authors 张海峰, 芦新春, 冯博, 杨进
Format Journal Article
LanguageChinese
Published 江苏海洋大学机械工程学院,江苏 连云港 222005%江苏海洋大学海洋工程学院,江苏 连云港 222005 01.08.2024
Subjects
损失函数
注意力机制
loss function
特征融合
feature fusion
YOLOv5s
attention mechanism
marine fish detection
海水鱼识别
Online AccessGet full text
ISSN1003-5788
DOI10.13652/j.spjx.1003.5788.2023.81080

Cover

More Information
Summary:[目的]为提高不同种类海水鱼的识别准确率,提出一种改进YOLOv5s的海水鱼种类识别方法.[方法]采用K-means++算法对海水鱼的真实框进行聚类计算,获得与自建数据集更加匹配的锚框;用SIoU损失函数替换CIoU损失函数作为边界框回归算法,提高边界框回归精度与收敛速度;改进骨干网络的部分C3模块,将CA协调注意力机制融入C3模块中,在降低模型参数量的同时还能提高模型的识别精度与检测速度;最后,优化模型的路径聚合网络,以此增强网络的特征融合能力.[结果]改进后的Our-YOLOv5s模型在数据集中测得平均精度均值为98.4%、检测速度为64 s-1,分别比原模型提高了2.4个百分点,6 s-1.[结论]该模型能够满足对海水鱼的实时检测要求.
ISSN:1003-5788
DOI:10.13652/j.spjx.1003.5788.2023.81080