[發明專利]基于改進YOLOv3算法的海上船舶檢測方法

在審

• 申請號: 202111045009.0
• 申請日: 2021-09-07
• 公開（公告）號: CN113743322A
• 公開（公告）日: 2021-12-03
• 發明（設計）人: 李朝鋒;葉樂;陳信強;楊勇生
• 申請（專利權）人: 上海海事大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 上海互順專利代理事務所(普通合伙) 31332
• 代理人: 成秋麗

本發明公開了一種基于改進YOLO v3算法的海上船舶檢測方法，包括改進的YOLO v3網絡模型，改進的YOLO v3網絡模型包括輸入端，骨干網絡結構模塊，頸部網絡結構模塊和輸出端，所述輸入端對輸入圖像進行圖像增強，增加了待檢測目標的多樣性以及加強了圖像背景的復雜程度；在所述骨干網絡結構模塊的下采樣部分使用卷積正則化模塊對原有的卷積層進行代替，增強了網絡的學習能力，同時加入空間金字塔池化模塊；并在所述頸部網絡結構模塊加入頻率域通道注意力機制模塊并且采用特征金字塔結構。改進YOLO v3網絡模型保持了檢測精度和速度的均衡，是一種優秀的海上船舶檢測方法。

技術領域

本發明屬于海上船舶檢測領域，具體涉及了一種基于改進YOLO v3算法的海上船舶檢測方法。

背景技術

目標檢測作為計算機視覺四大基本任務(分類、定位、檢測和分割)中的一個，具有著很廣闊的應用價值。如目標檢測技術廣泛應用于視頻監控、人臉識別、智能交通等應用場所。雖然目標檢測技術在這些應用得到不錯的效果，大大促進了生產力的提高和改善了人們的生活水平。但是該技術還不是完美的，存在著一些難以解決的問題，如小目標難以檢測的問題。這個問題在日常生活中普遍存在，不可忽視，如監控視頻中的比較小的車輛和行人、自動駕駛中需要遠距離識別行人和車輛、衛星圖中的眾多小目標等。但是目前對于這些小目標的檢測效果完全不能應用到日常生活和工業生產中，還需要極大的提升才能夠得到應用。

隨著人工智能技術的迅猛發展，特別在算力、數據和算法等多方面帶來的技術突破，使得在計算機視覺、圖像與視頻分析、模式識別等諸多領域都取得了巨大成功，給海上小目標的識別也帶來更有效的解決途徑。當前，基于深度學習的智能識別技術成為當前研究的熱點和難點，小目標檢測是目標檢測領域中的一個子問題，而目標檢測算法又能夠劃分成傳統的和深度學習兩類。

傳統的目標檢測大多采用人工提取特征在進行檢測，如Viola和Jones在2001年提出的V-J檢測器，Rainer等人在2002年提出的Harr分類器，N.Dalal等人在2005年提出的HOG檢測器以及P.Felzenszwalb等人在2008年提出的DPM目標檢測算法，這些方法不僅費時費力而且當目標數量多，圖像信息豐富時，常常會造成信息的遺漏，得不到好的檢測效果，難以適應現如今廣泛而又復雜的目標檢測環境。

目前，基于深度學習的目標檢測算法以卷積神經網絡為基礎，主要分為基于候選區域的兩階段算法與基于回歸的單階段算法，也可以簡單稱為one-stage算法和two-stage算法。Two-stage算法首先在圖像上生成若干個候選框，再對這些候選框進行多次分類，篩選，并修正框的大小和調整位置，導致檢測速度較慢，但是，這一類方法與one-stage算法相比往往有更高的進度，代表作有Ross Girshick在2014年提出的R-CNN算法，以及在2015年對其進行優化而提出的Fast R-CNN算法和何愷明等人再次優化的Faster R-CNN算法。

one-stage算法主要思想就是目標檢測網絡將圖片作為輸入，然后直接輸出目標的類別和檢測框的位置，與two-stage算法相比有著更快的檢測效率，但是精確度往往有所降低，常見的one-stage算法主要有Redmon等人提出的YOLO系列算法，Wei Liu等人在2015年提出的SSD算法和Google Brain團隊在2019年提出的EfficientDet算法。

發明內容

本發明的目的在于針對現有技術的不足，提供一種基于改進YOLO v3算法的海上船舶檢測方法，該方法是在現有的YOLO v3算法上進行改進使其適用于海上船舶檢測。

為實現上述目的，本發明采用如下技術方案：

基于改進YOLO v3算法的海上船舶檢測方法，其特征在于：包括改進的YOLO v3網絡模型，改進的YOLO v3網絡模型包括輸入端，骨干網絡結構模塊，頸部網絡結構模塊和輸出端；