[發明專利]一種基于改進YOLOV3算法的海上船舶檢測方法

有效

• 申請號: 202010522217.4
• 申請日: 2020-06-10
• 公開（公告）號: CN111652321B
• 公開（公告）日: 2023-06-02
• 發明（設計）人: 段先華;潘慧;羅斌強;李巍;楊海玲
• 申請（專利權）人: 江蘇科技大學
• 主分類號: G06V10/762
• 分類號: G06V10/762;G06V10/774;G06V10/80;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 南京正聯知識產權代理有限公司 32243
• 代理人: 盧霞

1.一種基于改進YOLOV3算法的海上船舶檢測方法，其特征在于，包括以下步驟：

步驟一、設計多尺度融合網絡結構，在原有YOLOV3算法模型的3個尺度基礎上增加一個檢測尺度模塊；

步驟二、設計特征信息交互網絡結構，用于低層特征和高層特征融合之后，將低層與高層的特征信息進行多次交互；

步驟三、優化全局損失函數，全局損失函數為三個部分的和：位置損失、類別損失和置信度損失，其中優化的部分為位置損失；

步驟四、數據集平衡化處理和先驗框聚類；

步驟五、模型訓練，其中，模型包括數據預處理模塊和改進的YOLOV3網絡結構；

步驟六、對目標圖像使用已訓練好的模型預測船舶的類別和位置信息；

其中，所述的步驟三具體過程如下：設計模型平均損失函數，在改進的YOLOV3網絡模型的前提下，對原有模型所用的損失函數進行優化，優化部分為邊框損失，具體的計算公式如下:

其中，A_p，A_g表示預測框和真實框的面積，A_l表示兩個框的重疊面積，A_c表示兩個框的最小包圍框的面積；

最終上述邊框損失、類別損失和置信度損失組成的模型損失函數的計算公式如下：

其中，S表示檢測層將待預測的特征圖劃分為S*S個網格；B表示每個網格預測B個邊界框，取值是由每個網格代表的邊界框是否預測某個對象決定，若是負責那么值為1，否則為0，為參與預測的邊界框含有目標的置信度，若邊界框不參與目標預測，但是其與真實框的IOU值大于設定的閾值，那么值為0，其他的情況下，其值為1；表示邊界框是否預測對象，classes表示預測類別，為類別概率，為預測類別的條件概率。

2.根據權利要求1所述的基于改進YOLOV3算法的海上船舶檢測方法，其特征在于，在上述步驟一多尺度融合網絡結構中，新增的尺度模塊分為四個功能層：第一層為鏈接層，將網絡的第103層的輸出特征鏈接為尺度融合操作的輸入；第二層為卷積層，卷積核大小為上一層的一半，大小為1*1；第三層上采樣層，對上一層的輸出采用雙線性插值算法擴大輸出尺寸；第四層尺度融合層，經過上采樣的輸出作為融合輸入1，網絡低層同等大小尺寸的輸出作為融合輸入2，將兩者進行通道拼接。

3.根據權利要求1所述的基于改進YOLOV3算法的海上船舶檢測方法，其特征在于，所述步驟二中，特征信息交互模塊為兩個部分，總共九個卷積層：第一部分由三個卷積層組成，第一層卷積層為512/2ⁿ個卷積核，大小為1*1/1；第二層為512/2^n-1個卷積核，大小為3*3/1，第三層為512/2ⁿ個卷積核，大小為3*3/1；第二部分由四組相同的卷積模塊構成，每個卷積模塊由兩個卷積層組成，第一層卷積層為512/2^n-1個卷積核，大小為1*1/1，第二層為512/2ⁿ個卷積核，大小為3*3/1，每個卷積層后面接一層正則化層和線性激活函數層，其中，描述中n參數表示尺度的編號。

4.根據權利要求1所述的基于改進YOLOV3算法的海上船舶檢測方法，其特征在于，所述步驟四中數據集平衡化處理和先驗框聚類中，具體的步驟為：

首先，對一張圖像所取得的正樣本全部采用，對正樣本采取鏡像旋轉，裁剪處理措施，增加正樣本的數量；

其次，并隨機選取與正樣本數量的三分之一致的負樣本；將所有樣本的規格歸一化到640*720大小；

最后利用Kmeans算法對船舶的常規尺寸進行聚類。

5.根據權利要求1所述的基于改進YOLOV3算法的海上船舶檢測方法，其特征在于，所述步驟五中，模型的訓練包括以下步驟：

5.1、網絡參數初始化；

5.2、設置訓練參數；

5.3、加載訓練數據；

5.4、迭代訓練。

6.根據權利要求5所述的基于改進YOLOV3算法的海上船舶檢測方法，其特征在于，在上述步驟5.1網絡參數初始化中，具體操作為：采用fine-tune策略，利用Darknet-53模型提取輸入圖像的特征信息。