[发明专利]基于改进YOLOv3算法的海上船舶检测方法

权利要求书

1.基于改进YOLO v3算法的海上船舶检测方法，其特征在于：包括改进的YOLO v3网络模型，改进的YOLO v3网络模型包括输入端，骨干网络结构模块，颈部网络结构模块和输出端；

所述的输入端包括改进的马赛克数据增强单元，自适应的锚框计算单元和图像缩放单元，所述改进的马赛克数据增强单元：将输入的图像每四张分为一组，先把每组中的每张图像平均分割成四份小图像，再随机排列组合拼成新的四张图像，使其输入总数不变，并对得到的新的图像采取随机遮挡；所述自适应的锚框计算单元：根据输入图像待检测目标的大小，使用K均值聚类算法自动聚类锚框，调整初始锚框的尺度和比例，使其适应待检测目标；所述图像缩放单元：用于对改进的马赛克数据增强后的图像进行固定尺寸的缩放处理，并获取其特征图输入骨干网络结构模块；

所述骨干网络结构模块包括卷积正则化模块，残差模块和空间金字塔池化模块，所述卷积正则化模块1包括一个卷积层，一个正则化层，一个LeakyReLU激活函数，用于提取上一层网络输入的特征图的特征信息；所述卷积正则化模块2有一个卷积层，一个正则化层，一个Sigmoid激活函数，用于对图像进行下采样操作，所述残差模块有两个卷积正则化模块1和一个跳跃连接组成，融合浅层和深层信息，防止有效信息的丢失，同时防止训练出现梯度消失的现象；所述空间金字塔池化模块有四个大小分别是1×1，5×5，9×9，13×13卷积核的最大池化层，对特征图提取特征信息后进行池化操作，再融合形成池化特征，丰富了特征图的表达能力；

所述颈部网络结构模块包括频率域通道注意力机制模块和特征金字塔模块，所述频率域通道注意力机制模块从频率角度出发，采用二维的离散余弦变换来融合多个频率域分量，加权重要的目标特征信息同时抑制背景信息，所述特征金字塔模块通过下采样增大特征图尺寸并与卷积正则化模块中输出的特征图进行特征相加，最后输出三个感受视野大小不同的检测头；

所述输出端用于与颈部网络结构模块的检测头相连接，检测时经过非极大值抑制处理筛选多个检测结果，得到最优的检测结果。

2.根据权利要求1所述基于改进YOLO v3算法的海上船舶检测方法，其特征在于：所述损失函数L计算公式为：

L＝L_box+L_cls+L_obj (4)

其中L_box代表预测框误差，包括中心点定位误差和宽高定位误差，L_cls代表类别预测误差，L_obj代表置信度误差，其中S代表grid size，S²表示13×13，26×26，52×52，表示如果在i，j处的box有目标，其值为1，否则为0；则表示如果在i，j处的box没有目标，其值为1，否则为0。x，y分别表示预测框的横，纵坐标；w，h分别表示预测框的宽和高，c表示置信度的预测值，表示置信度的标签值。

3.根据权利要求1所述基于改进YOLO v3算法的海上船舶检测方法，其特征在于；所述改进YOLOv3网络模型的超参数进行了微调，网络深度参数为1.33以及网络宽度参数为1.25。

4.根据权利要求1所述基于改进YOLO v3算法的海上船舶检测方法，其特征在于：将待检测图像输入训练好的模型后得到目标的位置信息和类别信息。