[發明專利]一種基于深度學習的無人機航拍圖像中的船舶檢測方法

在審

• 申請號: 201811330500.6
• 申請日: 2018-11-09
• 公開（公告）號: CN109657541A
• 公開（公告）日: 2019-04-19
• 發明（設計）人: 孫涵;耿文
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 施昊

1.一種基于深度學習的無人機航拍圖像中的船舶檢測方法，其特征在于，包括以下步驟：

(1)采集包含軍用艦船和民用船只的無人機航拍圖像并進行標注，獲得船舶數據庫；

(2)將步驟(1)獲得的船舶數據庫送入深度學習網絡進行訓練，直至網絡收斂；

(3)利用步驟(2)訓練好的深度學習網絡和權重文件來檢測無人機航拍圖像中的船舶目標，并輸出檢測結果。

2.根據權利要求1所述基于深度學習的無人機航拍圖像中的船舶檢測方法，其特征在于，步驟(1)的具體步驟如下：

(A1)采集用于訓練深度學習網絡的包含船舶的無人機航拍圖像；

(A2)將采集到的圖像進行數據預處理；

(A3)將預處理后的圖像用矩形框進行標注，獲取矩形框的坐標以及矩形框內所包含船舶的種類，最終得到船舶數據庫。

3.根據權利要求2所述基于深度學習的無人機航拍圖像中的船舶檢測方法，其特征在于，在步驟(A2)中，所述數據預處理包括丟掉不包含船舶目標的圖像以及船舶目標顯示不到一半的圖像。

4.根據權利要求2所述基于深度學習的無人機航拍圖像中的船舶檢測方法，其特征在于，在步驟(A3)中需要標注兩類數據：軍用艦船和民用船只，首先采用浮點型數據格式記錄矩形框的位置信息，然后轉換成改進的深度學習網絡需要的數據格式。

5.根據權利要求1所述基于深度學習的無人機航拍圖像中的船舶檢測方法，其特征在于，步驟(2)中所述深度學習網絡為改進的YOLT網絡，改進的YOLT網絡的結構如下表所示：

訓練數據或測試數據從第0層卷積層輸入網絡，依次經過0,1,2,…,28層處理，最終從第28層卷積層輸出；其中，在第12層Passthrough層，將第6層卷積層與第11層池化層連接起來，然后輸入到第13層卷積層；在第26層Passthrough層，將第17層卷積層與第25層卷積層連接起來，然后輸入到第27層卷積層。

6.根據權利要求5所述基于深度學習的無人機航拍圖像中的船舶檢測方法，其特征在于，所述改進的YOLT網絡采用anchor boxes機制，使用7個anchors，且利用k-means均值方法獲取anchors大小。

7.根據權利要求1所述基于深度學習的無人機航拍圖像中的船舶檢測方法，其特征在于，步驟(2)的具體步驟如下：

(B1)將船舶數據庫送入深度學習網絡，選取ImageNet數據庫訓練好的深度學習模型作為基本網絡模型，訓練開始的學習率為0.0001，之后調整深度學習網絡的參數steps來改變學習率；

(B2)將船舶數據庫中的圖像隨機縮放到固定尺寸，得到訓練圖像；

(B3)將訓練圖像分割成n*n個網格，每個網格預測7個邊界框；

(B4)將訓練圖像送入深度學習網絡中，經過卷積層、池化層、Passthrough層后輸出卷積特征圖；

(B5)用輸出的卷積特征圖采用卷積作預測，在卷積特征圖上進行滑窗采樣，根據步驟(B3)，每一個網格預測7個不同大小的邊界框，最終會預測n*n*7個邊界框，每個邊界框回歸位置、置信度和類別信息，然后根據計算出的損失函數值，通過反向傳播來調整權重；

(B6)當到達最大迭代次數時或損失函數值達到了收斂狀態時結束訓練，獲得最終用于船舶檢測的深度學習網絡和權重文件。

8.根據權利要求7所述基于深度學習的無人機航拍圖像中的船舶檢測方法，其特征在于，在步驟(B2)中，縮放至固定尺寸M*M，M∈[320,608]，且步長為32；在步驟(B3)中，n∈[10,19]。