一种养殖鱼类体征状态的层级梯度重构检测方法

本发明涉及图像内容识别与判定，具体为一种养殖鱼类体征状态的层级梯度重构检测方法。

背景技术：

1、在进行鱼群的高密度养殖时，若无法准确区分并定位正常与死亡状态鱼类，不仅难以掌握鱼群整体状态，死亡个体还可能造成水体污染，进而增加群体性死亡风险，造成严重经济损失。因此，准确识别水下鱼类体征状态并定位鱼类个体，对降低养殖风险以及提高养殖管理效率具有重要的现实意义。

2、传统水下养殖鱼类体征状态检测以人工作业为主要手段，但受人员经验和作业频次影响，此类方式存在覆盖范围有限及检测效率低下等问题，且在深水网箱或大规模养殖水域中，潜水作业存在一定的安全隐患，难以实现对鱼群状态的实时监测。随着计算机视觉技术的发展，通用目标检测算法逐渐被应用于水下养殖鱼类体征状态检测，在一定程度上缓解了人工作业的局限。然而，受限于水下固有的成像退化及复杂背景干扰，现有通用目标检测算法在水下养殖场景中仍易出现漏检、误检、状态误判及定位不准确等问题，难以满足现代水产养殖业对实时、高效和精准监测的需求。因此，迫切需要一种能够适应水下复杂养殖环境，并兼顾鱼类体征状态准确识别与个体精确定位的检测方法。

技术实现思路

1、本发明要解决的技术问题是克服现有的缺陷，提供一种养殖鱼类体征状态的层级梯度重构检测方法，可以有效解决背景技术中的问题。

2、为了实现上述目的，本发明公开了一种养殖鱼类体征状态的层级梯度重构检测方法，采用的技术方案是，包括以下步骤：

3、步骤1，获取分析图像，将其标准化处理后输入浅层特征感知网络提取基础特征；

4、步骤2，将所述步骤1提取基础特征经由梯度细节重构机制处理：

5、将基础特征进行切分得到切分特征，对切分特征提取多维确定性梯度先验，将多维确定性梯度先验重参数化为单一基础卷积核后，对切分特征执行单路前向映射，而后与原始特征进行残差拼接，得到边缘锐化特征；

6、步骤3，将边缘锐化特征经由层级多核交织机制处理：

7、将边缘锐化特征切分为子特征后，由级联处理模块进行多尺度上下文语义建模，在级联处理模块的各阶段交织执行全局语义建模与局部特征补偿，得到语义强化特征；

8、步骤4，将边缘锐化特征与语义强化特征经由动态去归一化融合机制处理，获得退化感知融合特征；

9、步骤5，将退化感知融合特征输入检测头进行分类与回归映射，输出检测结果图像。

10、作为本发明的一种优选技术方案，所述步骤1中，浅层特征感知网络提取基础特征的过程为：

11、

12、

13、其中，为标准化输入图像，表示浅层卷积映射，表示批量归一化操作，为非线性激活函数，为初始浅层特征，为逐点卷积，表示沿通道维度的特征拼接，为特征变换机制，为该过程的输出结果，即基础特征。

14、作为本发明的一种优选技术方案，所述步骤2中，梯度细节重构机制处理的具体过程为：

15、步骤2.1，将步骤1输出的基础特征沿通道维度进行切分，利用多维空间差分算子集合提取多维确定性梯度先验，并基于结构重参数化机制将其融合为单一基础卷积核，梯度先验提取与参数重构公式分别表示为：

16、

17、

18、其中，为对应分支的可学习权重，其取值在网络训练过程中依据联合损失函数，通过反向传播与梯度优化迭代确定，表示卷积核的二维空间索引（行索引和列索引），表示逐元素相乘，表示差分算子模式标识，为差分算子集合，为仅在中心位置响应的指示矩阵；为反对称掩膜（如左正右负或上正下负），表示基于旋转角度的核参数重排算子，为控制角度差异强度的自适应缩放因子；为标准基础权重；

19、步骤2.2：利用重参数化融合后的卷积核，对切分后的特征执行单路前向映射，归一化与激活，随后与残差保留的原始特征进行通道拼接，得到边缘锐化特征，该过程可表示为：

20、

21、其中，为输入特征，为逐点卷积，表示批量归一化操作，为非线性激活函数，为切分特征，为各算子分支偏置项经重参数化合并得到的融合偏置，为标准二维卷积操作，表示沿通道维度的特征拼接，为输出的边缘锐化特征。

22、作为本发明的一种优选技术方案，所述步骤3中，层级多核交织机制处理的具体过程为：

23、步骤3.1：将步骤2输出的边缘锐化特征输入层级多核交织机制，将其沿通道维度均匀切分为多个子特征，送入具有递增感受野的级联处理模块进行多尺度上下文语义建模，并结合自适应门控机制增强复杂水下环境中不同鱼类体征状态的辨识力，该过程可表示为：

24、

25、

26、其中，、、分别第阶段的子特征、全局语义特征以及输出特征，表示逐元素相加，为非线性激活函数，为层归一化操作，代表卷积核大小为的深度可分离卷积，为逐点卷积，表示沿通道维度的特征拼接；

27、步骤3.2，在级联处理模块的各阶段交织执行全局语义建模与局部特征补偿，得到语义强化特征，该过程可表示为：

28、

29、其中，为第阶段的复合交织算子，其输出为该阶段的状态特征，其具体内部计算过程由步骤3.1中的公式给出。

30、作为本发明的一种优选技术方案，所述步骤4中，动态去归一化融合机制处理的具体过程如下：

31、步骤4.1，为保留跨尺度特征潜在的鱼体细节分布，采用定制的动态tanh单元进行动态激活与自适应通道响应校准，动态tanh单元计算过程如下：

32、

33、其中，为输入特征，为可学习标量，用于动态调节激活函数的饱和度与梯度反馈；和分别代表可学习权重与偏置，表示逐元素相乘；

34、步骤4.2，将步骤2与3输出的边缘锐化特征与语义强化特征进行尺度对齐与拼接，并结合步骤4.1所述动态tanh单元执行通道增强与门控聚合，以抑制多级语义冲突，该过程可表示为：

35、

36、其中，与分别为边缘锐化特征与语义强化特征，为经对齐拼接处理后的特征，代表前述的动态tanh单元，代表sigmoid激活函数，为用于捕获局部上下文特征的分组卷积，为逐点卷积，表示逐元素相乘；

37、步骤4.3，引入并行的残差分支以保留初始融合特征，将多尺度上下文特征与其进行聚合输出，输出的退化感知融合特征可表示为：

38、

39、其中，为尺度对齐算子，表示逐元素相加，为逐点卷积，表示沿通道维度的特征拼接。

40、作为本发明的一种优选技术方案，所述步骤5中，将步骤4输出的退化感知融合特征输入检测头，通过分类分支和回归分支分别生成类别置信度与边界框回归分布，获得分类与回归映射结果。

41、作为本发明的一种优选技术方案，所述步骤5中，基于核心尺度调制损失，联合分布焦点损失和分类损失优化映射过程，优化时，通过反向传播与梯度优化迭代改变可学习权重的取值，在迭代收敛后，获得最终检测结果。

42、作为本发明的一种优选技术方案，联合损失优化的具体过程如下：

43、训练步骤1，在网络训练阶段，对于边界框回归过程，利用收缩因子剥离边缘模糊噪声并计算核心重叠度，并结合动态尺度调制因子施加自适应几何惩罚，构建核心尺度调制损失，公式可表示如下：

44、

45、其中，为动态尺度调制因子，为收缩因子，是预测框与真实框中心点的欧氏距离平方，是包含两者的最小闭包区域对角线长度的平方，和为控制纵横比一致性的惩罚项，为平衡几何约束项的调节常数；

46、训练步骤2，将分类损失与分布焦点损失与训练步骤1所述的核心尺度调制损失协同，对网络映射过程进行联合寻优，得到最终检测结果，联合损失公式可表示为：

47、

48、其中，为分布焦点损失，为分类损失，和为平衡与的超参数。

49、作为本发明的一种优选技术方案，分类损失与分布焦点损失可分别表示为：

50、

51、

52、其中，表示参与损失计算的预测项数量；和分别表示预测类别概率和目标类别得分；表示真实边界距离；和分别表示其左右相邻离散位置；和表示对应位置的预测概率。

53、与现有技术相比，本发明的有益效果是：本发明利用多维空间差分算子集合，显式提取多维确定性梯度先验，并联合结构重参数化机制实现鱼体边缘特征的锐化与重构，增强了网络对弱边界鱼体区域的表征能力，提高了对弱边界鱼体边缘轮廓的清晰、准确判定；进一步的，利用具有递增感受野的级联处理模块，交织执行全局语义建模与局部特征补偿，在不同尺度上建立鲁棒上下文依赖，兼顾了局部特征与全局语义，提高了网络对鱼类体征状态的辨识力。

54、进一步的，通过定制动态tanh单元进行动态激活与自适应通道响应校准，并结合通道增强与门控聚合策略，避免了深浅层语义冲突，保留了潜在鱼体区域细粒度结构信息；通过构建核心尺度调制损失，引入收缩因子自适应剥离边界模糊噪声，结合动态尺度调制因子对鱼体区域施加动态几何惩罚，并结合分类损失与分布焦点损失联合寻优，提升了网络对水下养殖鱼类的定位精度与体征状态辨识鲁棒性。