[發(fā)明專利]一種基于改進(jìn)的YOLO V2模型的光學(xué)遙感圖像艦船檢測方法

有效

• 申請?zhí)枺?/td>: 201811267636.7
• 申請日: 2018-10-29
• 公開（公告）號: CN109492561B
• 公開（公告）日: 2021-09-14
• 發(fā)明（設(shè)計）人: 楊小婷;房嘉奇;李洪鵬;何向晨
• 申請（專利權(quán)）人: 北京遙感設(shè)備研究所
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62
• 代理公司: 中國航天科工集團(tuán)公司專利中心 11024
• 代理人: 張國虹

本發(fā)明公開了一種基于改進(jìn)的YOLO V2模型的光學(xué)遙感圖像艦船檢測方法。首先對遙感圖像進(jìn)行預(yù)處理，然后利用單個YOLO V2網(wǎng)絡(luò)模型實(shí)現(xiàn)遙感圖像艦船目標(biāo)特征提取、檢測、目標(biāo)定位等過程，克服人工特征提取的不足深層次挖掘數(shù)據(jù)所含信息；同時考慮到艦船誤判為虛警、虛警判別為艦船以及某一類虛警判別為另一類虛警所帶來的損失差異，對YOLO V2模型的類別誤判損失進(jìn)行加權(quán)修正，強(qiáng)化了網(wǎng)絡(luò)對艦船目標(biāo)樣本的特征學(xué)習(xí)，在保證艦船檢測性能的基礎(chǔ)上縮減訓(xùn)練代數(shù)；對于虛警間的誤判采用0因子加權(quán)，降低了對虛警標(biāo)定的準(zhǔn)確度要求，虛警間的錯誤標(biāo)定不影響損失函數(shù)的收斂。

技術(shù)領(lǐng)域

本發(fā)明屬于目標(biāo)檢測領(lǐng)域，涉及光學(xué)遙感圖像的基于改進(jìn)的YOLO V2模型的艦船目標(biāo)檢測方法。

背景技術(shù)

艦船檢測對于國家海洋安全、海洋管理、監(jiān)控非法捕撈等具有突出作用。隨著遙感技術(shù)的發(fā)展，光學(xué)遙感圖像分辨率不斷提升、信息量越來越豐富。基于光學(xué)遙感圖像的艦船目標(biāo)檢測成為當(dāng)今的一大研究熱點(diǎn)。通常的艦船目標(biāo)檢測算法大多先提取疑似目標(biāo)區(qū)域，然后基于專家知識進(jìn)行人工特征提取，最后利用機(jī)器學(xué)習(xí)方法進(jìn)行目標(biāo)的分類鑒別，從而得到最終的檢測結(jié)果。

近些年來，隨著數(shù)據(jù)量的井噴式增長以及計算能力的不斷提升，基于深度卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測算法成為一大主流。通過單個網(wǎng)絡(luò)模型即可實(shí)現(xiàn)特征提取、目標(biāo)檢測、目標(biāo)定位等過程，不僅能夠克服傳統(tǒng)方法繁瑣的過程，而且可以克服人工特征提取的不足深層次挖掘數(shù)據(jù)信息，較傳統(tǒng)方法檢測性能更優(yōu)。其中以YOLO為代表的基于回歸的目標(biāo)檢測算法，具有高精確度和快檢測速度的特點(diǎn)，為實(shí)現(xiàn)光學(xué)遙感圖像艦船目標(biāo)檢測提供新的解決思路。

當(dāng)前的YOLO模型中，在計算損失函數(shù)時，將類別間的預(yù)測損失一視同仁，沒有考慮類別之間的差異。然而，在艦船目標(biāo)檢測領(lǐng)域，對于艦船誤判為虛警、或某一類虛警判別為艦船以及某一類虛警判別為另一類虛警的損失是不同的。

發(fā)明內(nèi)容

為了利用單個YOLO網(wǎng)絡(luò)模型實(shí)現(xiàn)艦船目標(biāo)特征提取、檢測、目標(biāo)定位等過程，克服人工特征提取的不足深層次挖掘數(shù)據(jù)所含信息，同時考慮到艦船誤判為虛警、虛警判別為艦船以及某一類虛警判別為另一類虛警所帶來的損失差異。本發(fā)明提出了一種基于改進(jìn)的YOLO V2模型的光學(xué)遙感圖像艦船目標(biāo)檢測方法。

本發(fā)明所述基于改進(jìn)的YOLO V2模型的光學(xué)遙感圖像艦船檢測方法，包括如下步驟：

(1)圖像預(yù)處理，得到符合YOLO V2網(wǎng)絡(luò)模型要求的圖像；

(2)對經(jīng)步驟(1)預(yù)處理后的圖像，進(jìn)行類別標(biāo)定，構(gòu)造YOLO V2損失函數(shù)加權(quán)矩陣W，并對損失函數(shù)進(jìn)行修正；其中，構(gòu)造YOLO V2損失函數(shù)加權(quán)矩陣W的方法為：

w_ij表示將類別i判別為j的損失加權(quán)值，i和j均取值為1、2、3或4；

損失函數(shù)修正的方法為：

c_i,分別表示第i個網(wǎng)格的真實(shí)類別和預(yù)測類別，1_i,j表示第i個網(wǎng)格的第j個預(yù)測框是否對某個目標(biāo)負(fù)責(zé)：在訓(xùn)練階段，只有和真實(shí)標(biāo)定框取得最大IoU值所對應(yīng)的預(yù)測框處取值為1，否則為0；正負(fù)樣本比例平衡因子分別為:λcoord＝5，λnoobj＝0.5；(x_i,y_i)表示第i個網(wǎng)格對應(yīng)目標(biāo)的中心坐標(biāo)；ω_i和h_i分別表示目標(biāo)的長和寬；C_i表示第i個網(wǎng)格中有目標(biāo)的置信度；p(c_i)表示第i個網(wǎng)格對應(yīng)的目標(biāo)為第c_i類的概率，表示將第i個網(wǎng)格的類c_i判別為的損失加權(quán)，其他對應(yīng)含有上標(biāo)^的參數(shù)均表示相應(yīng)的預(yù)測值；N表示圖像中劃分的所有的網(wǎng)格數(shù)目；B表示預(yù)測框的個數(shù)；表示第i個網(wǎng)格的第j個預(yù)測框?qū)δ硞€目標(biāo)負(fù)責(zé)；ci∈classes表示第i個網(wǎng)格的類別，classes表示所有可能的類別集合；