[發明專利]一種船舶識別與檢測的方法、裝置、設備及介質

在審

• 申請號: 202310499439.2
• 申請日: 2023-05-06
• 公開（公告）號: CN116665088A
• 公開（公告）日: 2023-08-29
• 發明（設計）人: 李修來;劉笑嶂
• 申請（專利權）人: 海南大學
• 主分類號: G06V20/40
• 分類號: G06V20/40;G06V10/82;G06V10/80;G06N3/0464;G06N3/08
• 代理公司: 蘇州中合知識產權代理事務所(普通合伙) 32266
• 代理人: 阮梅

本發明公開一種船舶識別與檢測的方法、裝置、設備及介質。該方法，包括如下步驟：將待識別視頻幀輸入至改進的YOLOv7網絡模型中，調整待識別視頻幀的尺寸并提取調整尺寸后待識別視頻幀的不同尺寸特征；基于改進的YOLOv7網絡模型中路徑聚合的特征金字塔網絡對不同尺寸特征進行融合，獲得融合特征；通過改進的YOLOv7網絡模型中的預測網絡對融合特征進行預測分析，獲得船舶類別預測結果。本發明能夠有效識別不規則形狀和不同尺寸的船舶，且檢測精度和魯棒性均有所提升。

技術領域

本發明涉及圖像識別技術領域，尤其涉及一種船舶識別與檢測的方法、裝置、設備及介質。

背景技術

最常用的船舶識別技術主要包括：基于計算機視覺的AIS(自動識別系統)、基于LiDAR(光探測和測距)的GPS和基于ECDIS(電子海圖顯示和信息系統)的HAIS。上述基于通信和導航設備的船舶識別方法有其優點，但由于在港口等交通密集型水域無法獲得船舶的視覺圖像，在交通密集型水域存在較大的局限性。

目前，基于深度學習的船舶識別方法研究已經取得了一定進展，通過對船舶圖像特征的自動提取和持續學習訓練，實現了對海上交通視頻和圖像中船舶的識別。主要采用兩種方法：一種是將深度學習算法引入船舶識別，另一種是通過圖像預處理過程充分利用圖像信息。近年來，基于深度學習的目標檢測方法，如YOLO，在船舶檢測和識別方面取得了顯著的成功，但YOLOv7模型在適應不同的船型和尺寸方面存在一定局限性。因此，亟需一種改進的YOLOv7模型，使其在船舶檢測和識別方面取得更好的性能。

發明內容

為了解決上述技術問題，本發明提出一種船舶識別與檢測的方法、裝置、設備及介質，能夠有效識別不規則形狀和不同尺寸的船舶，且檢測精度和魯棒性均有所提升。

為了達到上述目的，本發明的技術方案如下：

一種船舶識別與檢測的方法，包括如下步驟：

將待識別視頻幀輸入至改進的YOLOv7網絡模型中，調整待識別視頻幀的尺寸并提取調整尺寸后待識別視頻幀的不同尺寸特征；

基于改進的YOLOv7網絡模型中路徑聚合的特征金字塔網絡對不同尺寸特征進行融合，獲得融合特征；

通過改進的YOLOv7網絡模型中的預測網絡對融合特征進行預測分析，獲得船舶類別預測結果。

優選地，所述改進的YOLOv7網絡模型的訓練過程，包括如下步驟：

獲取數據集，所述圖像數據集中具有不規則形狀和不同尺寸的船舶圖像；

對所述數據集進行隨機抽樣，根據隨機抽樣的數據集確定訓練集和測試集；

基于訓練集對初始的YOLOv7網絡模型中進行訓練，獲得預測結果，并將預測結果與實際數據進行對比，若對比結果不滿足預設要求，則調整參數繼續訓練，直至滿足預設要求或達到預設迭代次數，獲得改進的YOLOv7網絡模型。

優選地，還包括如下步驟：使用測試集對改進的YOLOv7網絡模型進行測試，并通過準確度、召回率和平均精度均值指標來進行模型評估。

優選地，基于訓練集對初始的YOLOv7網絡模型中進行訓練前，還包括如下步驟：對數據集進行圖像增強處理。

優選地，所述圖像增強包括隨機旋轉、隨機縮放和隨機裁剪。

優選地，所述YOLOv7網絡模型中錨框的尺寸采用K均值聚類方法確定。

基于上述內容，本發明還公開了一種船舶識別與檢測的裝置，包括輸入模塊、提取模塊、融合模塊和預測模塊，其中，

所述輸入模塊，用于調整輸入圖像的尺寸；

所述提取模塊，用于提取調整尺寸后圖像的不同尺寸特征；