基于双模型决策级融合的鱼道分布外目标检测方法

摘要

针对鱼道过鱼目标检测鱼类特征模糊及数据集先验信息不足而导致的漏检、误检问题，研究了一种基于粗-细粒度模型决策级融合的目标检测方法。该方法对粗粒度YOLO模型进行改进：在主干层嵌入坐标注意力模块，在特征融合部分嵌入自适应特征融合模块对不同尺度的特征层进行融合，以提高粗粒度模型对任意鱼类的检测能力；将改进后的粗粒度YOLO模型与细粒度YOLO模型的检测结果按照置信度筛选出需要融合的检测框，并按照置信度的值对检测框进行加权融合，以此降低在未知鱼类、模糊鱼类场景下进行分布外检测时的漏检率和误检率。应用此方法于真实环境下的鱼道过鱼数据集进行测试，对未知鱼类的准确率达到了98.59%，召回率达到了94.19%，相比基于置信度的分布外检测方法分别提高了9.25%和11.21%，相比基于能量的分布外检测方法分别提高了6.42%和3.69%。对模糊目标的识别准确率达到了95.45%，召回率达到了91.8%，相比基于置信度的分布外检测方法分别提高了16.63%和18.58%，相比基于能量的分布外检测方法分别提高了11.27%和1.74%。研究成果对鱼道过鱼的目标检测有良好的借鉴意义。

关键词

鱼道 / 目标检测 / YOLO / 注意力机制 / 自适应特征融合 / 决策级融合 / 分布外检测