[发明专利]一种船只检测方法及装置

说明书

本发明提供一种船只检测方法及装置，其中，方法包括：获取船只图像训练样本；根据船只图像训练样本对神经网络模型进行训练，获取神经网络模型的输出向量，神经网络模型包括RPN网络、Fast R‑CNN网络、共享卷积层；根据船只图像训练样本对应的实际结果及输出向量计算神经网络模型的损失；根据损失对图像级别以及感兴趣区域级别进行梯度反转，图像级别表示船只图像训练样本的清晰度级别，感兴趣区域级别表示船只图像训练样本的船只类型级别；根据梯度反转后的损失调整神经网络模型的权重参数，构建船只检测模型。实施本发明，提高了船只检测模型对不同的天气情况以及不同船只类型的适应性，从而提高检测效率。

技术领域

本发明涉及计算机视觉领域，具体涉及一种船只检测方法及装置。

背景技术

随着水上交通、渔业管理的蓬勃发展，对船只的检测也日益收到重视。相关技术中，对船只的检测采用光流法、背景差法和基于机器学习的方法，但这种方法检测速度慢。另外采用深度学习的神经网络检测方法对不同的天气情况适应性低，且无法对不同船只类型进行特征学习，导致检测效率低。

发明内容

因此，本发明要解决的技术问题在于克服现有技术中的船只检测价格高昂以及检测范围小的缺陷，从而提供一种船只检测模型训练方法及基于视频的船只检测方法。

根据第一方面，本发明实施例提供一种船只检测模型训练方法，包括：获取船只图像训练样本；根据所述船只图像训练样本对神经网络模型进行训练，获取所述神经网络模型的输出向量，所述神经网络模型包括RPN网络、Fast R-CNN网络、共享卷积层；根据所述船只图像训练样本对应的实际结果及所述输出向量计算所述神经网络模型的损失；根据所述损失对图像级别以及感兴趣区域级别进行梯度反转，所述图像级别表示所述船只图像训练样本的清晰度级别，所述感兴趣区域级别表示所述船只图像训练样本的船只类型级别；根据梯度反转后的损失调整所述神经网络模型的权重参数，构建船只检测模型。

结合第一方面，在第一方面第一实施方式中，船只检测模型训练方法还包括：获取船只图像测试样本，所述船只图像测试样本包括具有船只的正样本图像及不具有船只的负样本图像；根据所述船只图像测试样本及所述船只检测模型得到测试结果；根据所述测试结果判断所述船只检测模型的准确率是否高于预设阈值；当所述船只检测模型的准确率高于所述预设阈值，将所述船只检测模型确定为可用的船只检测模型。

根据第二方面，本发明实施例提供一种基于视频的船只检测方法，包括如下步骤：获取视频图像；将所述视频图像输入至预设的船只检测模型，得到船只检测结果；所述预设的船只检测模型是通过如第一方面或第一方面任一实施方式所述的船只检测模型训练方法训练生成的。

结合第二方面，在第二方面第一实施方式中，在所述获取视频图像之后、将所述视频图像输入至预设的船只检测模型之前，船只检测模型训练方法还包括：对所述视频图像进行图像增强及去噪处理。

根据第三方面，本发明实施例提供一种船只检测模型训练装置，包括：样本获取模块，用于获取船只图像训练样本；向量获取模块，用于根据所述船只图像训练样本对神经网络模型进行训练，获取所述神经网络模型的输出向量，所述神经网络模型包括RPN网络、Fast R-CNN网络、共享卷积层；损失计算模块，用于根据所述船只图像训练样本对应的实际结果及所述输出向量计算所述神经网络模型的损失；梯度反转模块，用于对所述损失对图像级别以及感兴趣区域级别进行梯度反转，所述图像级别表示所述船只图像训练样本的清晰度级别，所述感兴趣区域级别表示所述船只图像训练样本的船只类型级别；模型构建模块，用于根据梯度反转后的损失调整所述神经网络模型的权重参数，构建船只检测模型。