基于深度学习的养殖水域人员危险行为识别方法及系统与流程

本技术属于目标检测，具体涉及一种基于深度学习的养殖水域人员危险行为识别方法及系统。

背景技术：

1、随着水产养殖产业规模化发展，养殖水域面积大、开放性强，非法游泳、违规捕捞等危险行为频发，不仅会造成养殖水产品损失，还易引发人员溺水等安全事故。

2、当前，水域危险行为识别主要依赖人工巡查和通用检测算法，通用检测算法未针对养殖水域场景优化，水面反光、波纹、光照变化等复杂背景会严重干扰特征提取，导致人员目标极易被背景淹没，从而使得最终误检、漏检率高。

技术实现思路

1、本技术实施例的目的是提供一种基于深度学习的养殖水域人员危险行为识别方法及系统，能够解决现有技术或相关技术中存在的技术问题之一。

2、为了解决上述技术问题，本技术是这样实现的：第一方面，本技术实施例提供了一种基于深度学习的养殖水域人员危险行为识别方法，所述方法包括：

3、获取水域人员图像并进行预处理，得到预处理图像；根据所述预处理图像构建数据集；

4、搭建危险行为识别网络，所述危险行为识别网络包括多尺度特征提取交互模块、局部增强模块、全局语义增强模块、特征融合模块和检测头；

5、根据预设比例将所述数据集划分为训练集和测试集，并基于所述训练集和所述测试集分别对所述危险行为识别网络进行训练和测试，得到训练好的危险行为识别网络；

6、通过监控系统实时采集目标养殖水域的目标监控图像，并基于训练好的所述危险行为识别网络对所述目标监控图像进行处理，得到危险行为识别结果。

7、作为本技术第一方面的一种可选实施方式，所述基于训练好的所述危险行为识别网络对所述目标监控图像进行处理，得到危险行为识别结果，包括：

8、根据所述多尺度特征提取交互模块对所述目标监控图像进行处理，分别得到第一尺度特征、多尺度交互特征和第三尺度特征；

9、根据所述局部增强模块对所述第一尺度特征进行增强，得到局部增强特征；

10、根据所述全局语义增强模块对所述第三尺度特征进行全局语义增强，得到全局语义增强特征；

11、基于所述特征融合模块将所述局部增强特征、多尺度交互特征和所述全局语义增强特征进行融合，得到目标融合特征；

12、根据所述检测头对所述目标融合特征进行处理，得到所述目标监控图像对应的危险行为识别结果。

13、作为本技术第一方面的一种可选实施方式，所述根据所述多尺度特征提取交互模块对所述目标监控图像进行处理，分别得到第一尺度特征、多尺度交互特征和第三尺度特征，包括：

14、对所述目标监控图像进行连续两次3×3卷积以得到基础信息特征，并对所述基础信息特征进行方向性空间注意力增强，得到方向性空间增强特征；

15、对所述方向性空间增强特征进行3×3卷积处理以得到第一尺度特征；将所述第一尺度特征与所述方向性空间增强特征进行拼接，得到第一拼接融合特征；

16、对所述第一拼接融合特征进行5×5卷积处理以得到第二尺度特征；将所述第二尺度特征与所述第一拼接融合特征进行拼接，得到第二拼接融合特征；

17、对所述第二拼接融合特征进行7×7卷积以得到第三尺度特征，并对所述第二尺度特征和所述第三尺度特征进行特征交互处理，得到多尺度交互特征。

18、作为本技术第一方面的一种可选实施方式，所述对所述基础信息特征进行方向性空间注意力增强，得到方向性空间增强特征，包括：

19、对所述基础信息特征分别进行水平方向的最大池化和平均池化，分别得到水平最大池化特征和水平平均池化特征；并将所述水平最大池化特征和水平平均池化特征相加，得到水平池化特征；

20、对所述基础信息特征分别进行垂直方向的最大池化和平均池化，分别得到垂直最大池化特征和垂直平均池化特征；并将所述垂直最大池化特征和垂直平均池化特征相加，得到垂直池化特征；

21、将所述水平池化特征和垂直池化特征进行拼接，得到融合池化特征；并对所述融合池化特征依次进行1×1卷积和relu激活，得到第一激活特征；

22、将所述第一激活特征沿通道维度拆分为第一分割特征和第二分割特征；

23、对所述第一分割特征依次进行1×1卷积和sigmoid激活，得到第一权重；对所述第二分割特征依次进行1×1卷积和sigmoid激活，得到第二权重；

24、将所述基础信息特征依次与所述第一权重和第二权重相乘，得到方向性空间增强特征。

25、作为本技术第一方面的一种可选实施方式，所述对所述第二尺度特征和所述第三尺度特征进行特征交互处理，得到多尺度交互特征，包括：

26、将所述第二尺度特征与所述第三尺度特征进行拼接，得到第一拼接特征；

27、分别对所述第一拼接特征进行空间重要性和通道重要性建模，分别得到空间重要性特征和通道重要性特征；

28、将所述空间重要性特征和所述通道重要性特征相加，得到融合重要性特征；

29、将所述融合重要性特征与所述第一拼接特征进行拼接，得到第二拼接特征；

30、对所述第二拼接特征依次进行通道混洗、7×7组卷积和sigmoid激活，得到融合注意力权重；

31、将所述融合注意力权重与所述第二尺度特征相乘，得到第二尺度增强特征；

32、计算1与所述融合注意力权重的差值作为互补权重，将所述互补权重与所述第三尺度特征相乘，得到第三尺度增强特征；

33、将所述第二尺度增强特征和所述第三尺度增强特征相加，得到所述多尺度交互特征。

34、作为本技术第一方面的一种可选实施方式，所述根据所述局部增强模块对所述第一尺度特征进行增强，得到局部增强特征，包括：

35、对所述第一尺度特征依次进行3×3卷积、批次归一化和relu激活，得到第一卷积特征；

36、根据多个串接的残差块依次对所述第一卷积特征进行处理，得到最后一个所述残差块输出的残差强化特征；

37、对所述残差强化特征进行3×3卷积、批次归一化和relu激活，得到所述局部增强特征；

38、其中，每一所述残差块的数据处理过程包括：对所述残差块的输入特征依次进行3×3卷积、批次归一化、relu激活、3×3卷积和批次归一化，得到批次归一化特征；将所述批次归一化特征与所述残差块的输入特征相加，得到残差融合特征；对所述残差融合特征进行relu激活，得到所述残差块的输出特征。

39、作为本技术第一方面的一种可选实施方式，所述根据所述全局语义增强模块对所述第三尺度特征进行全局语义增强，得到全局语义增强特征，包括：

40、对所述第三尺度特征分别进行全局最大池化处理和全局平均池化处理，分别得到全局最大池化特征和全局平均池化特征；

41、将所述全局最大池化特征和全局平均池化特征相加，得到全局融合特征，并对所述全局融合特征依次进行全连接处理和relu激活，得到全局上下文特征；

42、对所述全局上下文特征依次进行全连接处理和sigmoid激活，得到全局语义感知权重；并将所述全局语义感知权重与所述第三尺度特征相乘，得到所述全局语义增强特征。

43、第二方面，本技术实施例提供了一种基于深度学习的养殖水域人员危险行为识别系统，所述系统包括：

44、数据构建模块：用于获取水域人员图像并进行预处理，得到预处理图像；根据所述预处理图像构建数据集；

45、网络搭建模块：用于搭建危险行为识别网络，所述危险行为识别网络包括多尺度特征提取交互模块、局部增强模块、全局语义增强模块、特征融合模块和检测头；

46、网络训练模块：用于根据预设比例将所述数据集划分为训练集和测试集，并基于所述训练集和所述测试集分别对所述危险行为识别网络进行训练和测试，得到训练好的危险行为识别网络；

47、实时监测模块：用于通过监控系统实时采集目标养殖水域的目标监控图像，并基于训练好的所述危险行为识别网络对所述目标监控图像进行处理，得到危险行为识别结果。

48、第三方面，本技术实施例提供了一种电子设备，包括处理器、存储器及存储在存储器上并可在处理器上运行的程序或指令，程序或指令被处理器执行时实现如第一方面所述的方法的步骤。

49、第四方面，本技术实施例提供了一种可读存储介质，可读存储介质上存储程序或指令，程序或指令被处理器执行时实现如第一方面所述的方法的步骤。

50、在本技术实施例中，与现有技术相比，具备以下技术效果：

51、本技术通过方向性空间注意力增强，针对性提取水平、垂直方向的空间特征权重，有效抑制水面波纹、反光等水域特有背景噪声，提升人员目标特征辨识度，解决了复杂水域背景下目标被淹没的问题。采用差异化感受野的卷积提取多尺度特征，同时通过空间和通道双维度重要性建模实现不同尺度特征的互补交互，兼顾了近景大目标的动作细节与远景小目标的特征完整性。局部增强模块通过多残差块串联强化特征的肢体动作、工具纹理等细节，提升了危险动作与正常行为的区分准确率；全局语义增强模块通过全局上下文感知权重强化特征的场景语义，避免了孤立局部特征导致的误判。采用可学习参数的加权特征融合机制，动态调整局部细节、多尺度交互、全局语义三类特征的融合权重，可适配不同光照、不同水域环境的识别需求。本技术的危险行为识别网络，有效改善了现有通用检测算法在水域危险行为识别上存在的特征提取能力不足，进而导致误检和漏检的问题。