[发明专利]基于改进YOLOX的船舶目标检测方法、装置、设备及介质

说明书

本发明公开基于改进YOLOX的船舶目标检测方法、装置、设备及介质，该方法获取样本数据集，所述样本数据集中包含船舶标注图像和未标注图像，所述样本数据集分为训练集和测试集；构建YOLOX网络，对所述YOLOX网络的主干网络进行优化，将主干网络替换为ResNet50，以用于提取图片小目标特征；将样本数据集输入所述YOLOX网络中进行训练和测试，得到船舶检测模型；将待检测的图像输入到训练好的船舶检测模型中进行检测，用以输出船舶检测结果。本发明通过网络结构改进、模型简化等方法对传统YOLO算法进行改进，使改进算法更好地适应船舶目标检测任务，协助船检人员及早发现潜在的危险并做出正确判断。

技术领域

本发明涉及图像检测技术领域，尤其涉及基于改进YOLOX的船舶目标检测方法、装置、设备及介质。

背景技术

近年来，船舶系统正朝着智能化、无人化、系统化方向发展。智能船舶已成为国际海事界的新热点。智能船舶结合了人工智能、大数据、云计算等新技术具有安全、环保、节能、高效的特点。船舶在航行时经常面临雾气、高湿和各种海况。同时，他们必须遵守海上航行规则，这些困难对船舶的感知能力提出了更高的要求。因此，智能船舶的感知系统是与外界连接的关键部分。我国海岸线漫长，海洋监管任务多，非法捕捞、海域违规等问题给海洋安全带来隐患，因此对船舶目标进行实时快速检测非常有必要。

对于海上目标检测，传统的检测方法主要是基于图像和雷达。穆罕默德、扎比迪等人构建了嵌入式视觉系统对可能受阳光反射影响的水面目标采用增强和平滑方法，提取了四种船舶的Hu不变矩特征，并利用不同的神经网络对船舶进行识别。前人还提出了一种结合背景和帧间差分法的运动目标检测方法。然而，传统方法在极其复杂的海洋环境中检测率低，泛化能力差；因此，快速实时算法、高精度和高可靠性的研究成为热点。基于深度学习的海上目标检测已经很好地解决了这个问题。与传统识别方法相比，深度学习对目标具有更强的特征表达能力。

近年来，卷积神经网络在目标检测领域取得了很大进展。基于深度学习的海上目标检测已经很好地解决了这个问题，与传统识别方法相比，深度学习对目标具有更强的特征表达能力。主要有两种类型：girshick等人提出的基于区域的Ross R-cnn级数算法。Redmon等人提出的基于回归思想的YOLO系列算法。R-cnn首先生成候选区域，然后将它们输入到CNN卷积神经网络中，进行特征提取，将特征与样本特征进行比较，然后确定目标区域的位置。该算法检测精度高，但计算速度慢V3算法不生成候选框，直接将检测转化为回归问题。只需一次检测即可获得目标位置，提高了检测速度，满足实时检测要求。在实际检测过程中，船舶往往远离海岸线，海面上有很多小尺寸的船舶图像。目前的YOLO系列算法在小规模应用效果较差，存在漏检现象。

发明内容

为了解决上述技术问题，本发明提出基于改进YOLOX的船舶目标检测方法、装置、设备及介质，以解决密集小尺寸船舶的识别困难，YOLO算法的anchor-free实现方法，以及针对船舶目标检测过程中易受外界干扰、小目标检测效果差、小目标误识率高的问题，通过网络结构改进、模型简化等方法对传统YOLO算法进行改进，使改进算法更好地适应船舶目标检测任务，协助船检人员及早发现潜在的危险并做出正确判断。

为了达到上述目的，本发明的技术方案如下：

基于改进YOLOX的船舶目标检测方法，包括如下步骤：

获取样本数据集，所述样本数据集中包含船舶标注图像和未标注图像，所述样本数据集分为训练集和测试集；

构建YOLOX网络，对所述YOLOX网络的主干网络进行优化，将主干网络替换为ResNet50，以用于提取图片小目标特征；

将样本数据集输入所述YOLOX网络中进行训练和测试，得到船舶检测模型；

将待检测的图像输入到训练好的船舶检测模型中进行检测，用以输出船舶检测结果。