[发明专利]基于迁移学习的船舶类型识别方法及系统

说明书

本发明提供了一种基于迁移学习的船舶类型识别方法及系统，包括：迁移已训练好的卷积神经网络模型，结合船舶图像对卷积神经网络模型的参数和结构进行调整，得到迁移学习模型；对船舶图像进行灰度化、归一化和类型标注处理，得到数据集；根据反向传播法，用所述数据集训练所述迁移学习模型；将待测图像输入训练好的所述迁移学习模型中进行类型识别。本发明采用迁移学习的方法，其可以主动提取舰船图像的特征，不需要人工提取特征，降低了人员的工作量和疏漏可能性，避免了从头设计网络和缺少大量舰船数据集而导致的网络分类结果不佳的问题，提高了分类的准确性。

技术领域

本发明涉及图像识别技术领域，具体地，涉及基于迁移学习的船舶类型识别方法及系统。

背景技术

对于舰船物体来说，其作为海上运输的主要载体，在军事和民用上有着非常重要的作用。由于经济的发展，海上运行的舰船越来越多，海上交通也越来越繁忙，从而引发的事故也越来越普遍，如果能够精确识别舰船种类，从而对于某些海上交通事故的发生，降低了一定可能性。此外，在军事上，如果能够正确识别远处舰船的类型(民用舰船或者军事舰船)也是有着非常重要的军事意义。

随着深度学习的崛起，由于其准确的结果，已经被广泛应用于计算机视觉领域。对于深度学习来说，其往往是需要大量的数据集来支持的，但是标注新数据是非常昂贵的，需要大量的人力与物力。对于某些方面的数据集，由于其往往很难大量获取(比如医学图像、军事图像等)。

对于现有的技术来说，其一般通过手动提取舰船物体的特征，比如船舶图像的边缘特征以及颜色特征等，然后经过分类器对目标进行分类。由于手动提取特征：

(1)增加了用户操作的复杂度；

(2)由于手动特征可能会忽略一些人们不经意的特征，而这些特征可能对于舰船的识别分类起到一定的作用；

(3)对于颜色特征来说，其可能受到海面中光照反射等影响，造成特征不明显，较低了其所起到的作用；

(4)由于(2)和(3)两点会造成分类准确性的降低。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于迁移学习的船舶类型识别方法及系统。

根据本发明提供的一种基于迁移学习的船舶类型识别方法，包括：

迁移学习模型构建步骤：迁移已训练好的卷积神经网络模型，结合船舶图像对卷积神经网络模型的参数和结构进行调整，得到迁移学习模型；

数据集构建步骤：对船舶图像进行灰度化、归一化和类型标注处理，得到数据集；

训练步骤：根据反向传播法，用所述数据集训练所述迁移学习模型；

预测步骤：将待测图像输入训练好的所述迁移学习模型中进行类型识别。

较佳的，所述迁移学习模型中，所有的卷基层中卷积核的大小均为3×3大小；所述迁移学习模型包括：

卷基层_0：由64个卷积核构成；

卷基层_1：由128个卷积核构成；

卷基层_2：由256个卷积核构成；

卷基层_3：由512个卷积核构成；

全连接层_0：由2048个神经元构成；

全连接层_1：由5个神经元构成；

最大池化层：执行最大池化操作；

Soft-max层：作为所述迁移学习模型的输出层，计算并输出各个类别的概率。