本发明属于鱼体损伤检测，尤其涉及一种基于改进yolov7的鱼体损伤检测方法及系统。
背景技术：
1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
2、随着水产养殖密度和集约化程度的提高，鱼类健康已成为消费者和养殖者最关心的问题；在水产养殖过程中，鱼类经常面临各种物理、化学和生物应激源，这些应激源可能会导致鱼体表面损伤，鱼体表面出现损伤意味着水产养殖系统出现异常；此外，鱼体表面的损伤会影响鱼类的免疫系统，使其更容易感染疾病；更糟糕的是，疾病的爆发和快速传播可能会导致大量鱼类死亡和水体污染；因此，鱼体表面损伤检测是水产养殖不可或缺的一部分，开发一种自动鱼体表面损伤检测方法对水产养殖至关重要。
3、传统的鱼体表面损伤检测方法依赖于水产养殖专业人员和专家的肉眼观察，耗时、耗力且成本高昂，计算机视觉技术具有无损、快速等优点，为鱼体表面损伤的自动检测提供了可行的方法；在过去的几十年里，数字图像处理技术被用来提取图像中的形状、纹理和颜色等特征，以显示鱼体表面和内部组织的变化；此外，决策树、逻辑回归、人工神经网络和支持向量机等机器学习技术也被用于识别图像中的鱼体损伤；然而，这些方法依赖于人工提取的特征，泛化能力较差。
4、随着深度学习技术的快速发展，深度神经网络已被广泛应用于水产养殖的各个领域，如鱼类异常行为分析和水质预测，一些研究人员也将深度学习技术应用于鱼类损伤和疾病的识别与分类；一种典型的方法是使用深度神经网络来识别图像中的鱼是否有损伤或属于某类疾病，然而，这些方法通常仅能对包含单条鱼的图像进行判别，很难在图像中有多条鱼的情况下识别和定位异常的鱼；最近，一些研究人员采用了基于深度学习的目标检测技术来识别和定位图像中的异常鱼，然而，鲜有研究关注鱼体表面受损区域的精确定位和识别；因此，现有的鱼体损伤检测方案存在适用性低、精度不够的问题。
技术实现思路
1、为克服上述现有技术的不足，本发明提供了一种基于改进yolov7的鱼体损伤检测方法及系统，在yolov7网络中引入坐标注意力机制和siou损失，用于从复杂的鱼群图像中精确自动识别鱼体损伤。
2、为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
3、本发明第一方面提供了一种基于改进yolov7的鱼体损伤检测方法。
4、一种基于改进yolov7的鱼体损伤检测方法，包括：
5、获取待检测的鱼群图像；
6、将鱼群图像输入到训练好的改进yolov7网络中，识别鱼体表面受损区域，得到鱼体损伤检测结果；
7、其中，所述改进yolov7网络是在yolov7中引入坐标注意力机制和siou损失，嵌入到yolov7的骨干网络中的坐标注意力机制，用于捕获跨通道的方向感知和位置敏感信息，增强鱼体损伤的辨别特征并抑制背景干扰；所述siou损失，考虑真实框与预测框之间的方向信息，作为损失函数，约束网络的训练过程。
8、进一步的，所述改进yolov7网络，包括输入模块、骨干模块、颈部模块和预测模块；
9、所述输入模块，用于对输入的图像进行预处理；
10、所述骨干模块，用于从预处理后的图像中提取多层次特征；
11、所述颈部模块，用于对多层次特征进行融合；
12、所述预测模块，用于最终的鱼体表面受损区域预测。
13、进一步的，所述预处理，包括自适应图像缩放和马赛克数据增强。
14、进一步的，所述骨干模块由cbs、elan、坐标注意力模块和mpconv组成；
15、所述cbs用于特征提取和通道转换；
16、所述elan控制梯度路径的不同长度，使深度网络在训练过程中有效收敛；
17、所述坐标注意力模块，是利用坐标注意力机制，将通道注意力分解为两个并行的编码操作，沿两个空间方向融合信息，从而将位置信息整合到通道注意力中；
18、所述mpconv模块用于融合不同下采样方法得到的特征图，保留更多的特征信息。
19、进一步的，所述坐标注意力机制包括两个步骤：
20、坐标信息嵌入：使用平均池化方法分别沿水平轴和垂直轴对给定输入的每个通道进行编码，得到一对方向感知特征图；
21、坐标注意力生成：基于得到的一对方向感知特征图，计算垂直和水平方向的注意力权重，进而沿两个空间方向进行加权融合，得到加强方向感知和位置敏感信息的特征。
22、进一步的，所述颈部模块由sppcspc、elanw、upsample和cat组成；
23、其中，所述elanw模块是在elan模块上增加两次拼接操作。
24、进一步的，所述siou损失包括四个部分：角度损失、距离损失、形状损失和iou损失。
25、本发明第二方面提供了一种基于改进yolov7的鱼体损伤检测系统。
26、一种基于改进yolov7的鱼体损伤检测系统，包括：
27、图像模块，被配置为：获取待检测的鱼群图像；
28、检测模块，被配置为：将鱼群图像输入到训练好的改进yolov7网络中，识别鱼体表面受损区域，得到鱼体损伤检测结果；
29、其中，所述改进yolov7网络是在yolov7中引入坐标注意力机制和siou损失，嵌入到yolov7的骨干网络中的坐标注意力机制，用于捕获跨通道的方向感知和位置敏感信息，增强鱼体损伤的辨别特征并抑制背景干扰；所述siou损失，考虑真实框与预测框之间的方向信息，作为损失函数，约束网络的训练过程。
30、本发明第三方面提供了计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方面所述的一种基于改进yolov7的鱼体损伤检测方法中的步骤。
31、本发明第四方面提供了电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明第一方面所述的一种基于改进yolov7的鱼体损伤检测方法中的步骤。
32、以上一个或多个技术方案存在以下有益效果：
33、本发明在yolov7网络中引入坐标注意力机制和siou损失，用于从复杂的鱼群图像中精确自动识别鱼体损伤，首先，坐标注意力机制被嵌入到yolov7的骨干网络中，以增强鱼体损伤的判别特征并抑制背景干扰；其次，引入了siou损失，通过考虑真实框与预测框之间的方位信息，加快模型的收敛速度，提高检测效率；最终解决从鱼群图像中精确高效识别鱼体表面受损区域的问题。
34、本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
1.一种基于改进yolov7的鱼体损伤检测方法，其特征在于，包括：
2.如权利要求1所述的一种基于改进yolov7的鱼体损伤检测方法，其特征在于，所述改进yolov7网络，包括输入模块、骨干模块、颈部模块和预测模块；
3.如权利要求2所述的一种基于改进yolov7的鱼体损伤检测方法，其特征在于，所述预处理，包括自适应图像缩放和马赛克数据增强。
4.如权利要求2所述的一种基于改进yolov7的鱼体损伤检测方法，其特征在于，所述骨干模块由cbs、elan、坐标注意力模块和mpconv组成；
5.如权利要求4所述的一种基于改进yolov7的鱼体损伤检测方法，其特征在于，所述坐标注意力机制包括两个步骤：
6.如权利要求2所述的一种基于改进yolov7的鱼体损伤检测方法，其特征在于，所述颈部模块由sppcspc、elanw、upsample和cat组成；
7.如权利要求1所述的一种基于改进yolov7的鱼体损伤检测方法，其特征在于，所述siou损失包括四个部分：角度损失、距离损失、形状损失和iou损失。
8.一种基于改进yolov7的鱼体损伤检测系统，其特征在于，包括：
9.一种电子设备，其特征是，包括：
10.一种存储介质，其特征是，非暂时性地存储计算机可读指令，其中，当所述计算机可读指令由计算机执行时，执行权利要求1-7任一项所述的方法。
