[发明专利]基于改进YOLOv3算法的海上船舶检测方法

说明书

本发明公开了一种基于改进YOLO v3算法的海上船舶检测方法，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，所述输入端对输入图像进行图像增强，增加了待检测目标的多样性以及加强了图像背景的复杂程度；在所述骨干网络结构模块的下采样部分使用卷积正则化模块对原有的卷积层进行代替，增强了网络的学习能力，同时加入空间金字塔池化模块；并在所述颈部网络结构模块加入频率域通道注意力机制模块并且采用特征金字塔结构。改进YOLO v3网络模型保持了检测精度和速度的均衡，是一种优秀的海上船舶检测方法。

技术领域

本发明属于海上船舶检测领域，具体涉及了一种基于改进YOLO v3算法的海上船舶检测方法。

背景技术

目标检测作为计算机视觉四大基本任务(分类、定位、检测和分割)中的一个，具有着很广阔的应用价值。如目标检测技术广泛应用于视频监控、人脸识别、智能交通等应用场所。虽然目标检测技术在这些应用得到不错的效果，大大促进了生产力的提高和改善了人们的生活水平。但是该技术还不是完美的，存在着一些难以解决的问题，如小目标难以检测的问题。这个问题在日常生活中普遍存在，不可忽视，如监控视频中的比较小的车辆和行人、自动驾驶中需要远距离识别行人和车辆、卫星图中的众多小目标等。但是目前对于这些小目标的检测效果完全不能应用到日常生活和工业生产中，还需要极大的提升才能够得到应用。

随着人工智能技术的迅猛发展，特别在算力、数据和算法等多方面带来的技术突破，使得在计算机视觉、图像与视频分析、模式识别等诸多领域都取得了巨大成功，给海上小目标的识别也带来更有效的解决途径。当前，基于深度学习的智能识别技术成为当前研究的热点和难点，小目标检测是目标检测领域中的一个子问题，而目标检测算法又能够划分成传统的和深度学习两类。

传统的目标检测大多采用人工提取特征在进行检测，如Viola和Jones在2001年提出的V-J检测器，Rainer等人在2002年提出的Harr分类器，N.Dalal等人在2005年提出的HOG检测器以及P.Felzenszwalb等人在2008年提出的DPM目标检测算法，这些方法不仅费时费力而且当目标数量多，图像信息丰富时，常常会造成信息的遗漏，得不到好的检测效果，难以适应现如今广泛而又复杂的目标检测环境。

目前，基于深度学习的目标检测算法以卷积神经网络为基础，主要分为基于候选区域的两阶段算法与基于回归的单阶段算法，也可以简单称为one-stage算法和two-stage算法。Two-stage算法首先在图像上生成若干个候选框，再对这些候选框进行多次分类，筛选，并修正框的大小和调整位置，导致检测速度较慢，但是，这一类方法与one-stage算法相比往往有更高的进度，代表作有Ross Girshick在2014年提出的R-CNN算法，以及在2015年对其进行优化而提出的Fast R-CNN算法和何恺明等人再次优化的Faster R-CNN算法。

one-stage算法主要思想就是目标检测网络将图片作为输入，然后直接输出目标的类别和检测框的位置，与two-stage算法相比有着更快的检测效率，但是精确度往往有所降低，常见的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团队在2019年提出的EfficientDet算法。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于改进YOLO v3算法的海上船舶检测方法，该方法是在现有的YOLO v3算法上进行改进使其适用于海上船舶检测。

为实现上述目的，本发明采用如下技术方案：

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；