[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

本發明屬于計算機視覺目標檢測領域，尤其涉及一種基于改進YOLOV3算法的海上船舶檢測方法，可用于海上船舶目標檢測，包括以下步驟：步驟一、設計多尺度特征融合的網絡結構；步驟二、設計特征信息交互網絡結構；步驟三、優化模型損失函數；步驟四、數據集平衡化處理和先驗框聚類；步驟五、模型訓練：所述模型包括數據預處理模塊和改進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。本發明相比于現有的基于深度學習的檢測算法，具有較高的檢測精度，能夠適用于拍攝的彩色圖像中的船舶檢測。

技術領域

本發明屬于計算機視覺目標檢測領域，尤其涉及一種基于改進YOLOV3算?法的海上船舶檢測方法，可用于海上船舶目標檢測。

背景技術

針對海洋背景下的船舶檢測識別問題，目前常見的解決方法有兩類，一類為?成像系列，以基于孔徑合成雷達的SAR圖像、紅外圖像的檢測方法為主，它的?應用比較成熟，但其成像未能包含目標豐富的光譜信息，且與人類視覺習慣相偏?差，不利于網絡提取更豐富的特征信息，從而降低了檢測的精度。另一類非成像?系列利用聲吶等技術獲取船舶目標的相關信號，但是海上環境復雜，且通信傳輸?通道復雜，對小目標的船舶檢測效果極差。

傳統目標檢測方法總體上分為三個步驟：首先輸入圖像并在圖像上生成候選?區域，其次對候選區域提取人工特征，最后訓練分類器并進行圖像分類。但基于?圖像處理結合機器學習算法的傳統目標檢測存在的問題并未得到根本上的解決：?首先是滑動窗口的像素遍歷，對于區域選擇沒有任何的針對性，造成窗口冗余且?時間復雜度高；其次人工設計的特征面對多樣的目標形態以及多變的環境背景不具有普適性以及魯棒性。

基于卷積神經網絡的目標檢測，大體流程是先進行圖像的深層次特征提取，?再利用深度神經網絡進行目標識別與定位，所使用的深度神經網絡模型主要是卷?積神經網絡。卷積神經網絡模型是由各種層按照既定順序排列疊加而成，各層之?間通過可微分函數將特征圖逐層傳遞，實現從數據輸入、特征提取、結果輸出的?完整網絡。但是在利用神經網絡做圖像檢測時，首先最大的問題是數據集的匱乏，其次是面對低質量的圖片，如果網絡學習能力不夠，無法檢測出目標，更容易出?現誤檢和漏檢的情況。

發明內容

為了克服現有技術的上述缺點和不足，本發明的目的在于提供一種基于改進YOLOV3算法的海上船舶檢測方法，能夠有效提升船舶檢測的類別精度和位置?信息準確度。

本發明的目的通過以下技術方案實現：

一種基于改進YOLOV3算法的海上船舶檢測方法，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。

本發明的進一步改進，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。