[发明专利]一种面向边缘计算的河面采砂船及过往船只识别方法

说明书

本发明公开了一种面向边缘计算的河面采砂船及过往船只识别方法，该方法提出使用K‑means聚类算法生成河面船只数据集的先验框，并改进YOLOv4‑tiny主干网络，将基本卷积层激活函数改为SiLU激活函数，形成新的主干特征提取网络，并输出两种不同尺度的特征图；在加强特征融合网络中加入SE注意力机制模块，并在FPN层后面加入自上而下的连接，形成PANet网络结构。本发明通过在其原来的基本卷积块中加入SiLU激活函数对主干网络进行调整，有利于训练模型更好的收敛；整个模型可用于对复杂场景下河面过往不同类型船只识别任务的优化，识别精度优于传统模型。

技术领域

本发明涉及一种计算机视觉目标识别领域，特别是涉及一种面向边缘计算的河面采砂船及过往船只识别方法。

背景技术

目前，常规的视频监控系统是由航道两侧的摄像机进行监控，并采用人工方法进行视频内容的过滤和筛选，对航道信息进行统计。但该方法会使得人工成本骤增，同时监控检测效果也容易被人工主观因素所影响不同于道路视频监控，在内河航道监控视频中存在诸多干扰，包括光照因素、水面波动、水面倒影和船舶相互遮挡等，使得提取船舶目标变得困难，具体表现为背景干扰、水面干扰、船舶干扰等。采砂监控的任务主要包括是否有违法船只在违禁区域内采砂的检测和采砂是否对航道结构造成破坏的监测等。采用船舶视频监控系统对内河航道进行监控是防止船舶危险事故发生的有效手段之一，因此内河航道船舶视频监控系统受到了国内外学者和工业界的青睐。众多的学者和研究员在船舶目标检测和识别领域进行了大量的研究，但主要研究方向仍然集中于传统的目标检测算法。这些算法并不能很好的解决上述问题，在复杂的内河航道环境中鲁棒性较差，无法投入实际应用当中。

目前人工智能、深度学习等船舶动态监管信息化手段在水上交通流监管中的成功应用，为航道采砂相关船舶的动态监管提供了借鉴经验，因此将深度学习应用于河道采砂船及过程船只现场动态监管，在技术上具有可行性。本专利基于深度学习的河湖水面采砂船及过往船只的目标检测与识别算法，可以解决目前传统检测速度慢、正确率不高、需要依靠大量人工监视等缺点，更适合河湖区域部署边缘计算设备，实现了对于不同类型船舶检测以及对于非法采砂船的特征进行识别，并自动预警，降低人工监视的劳动强度，提升了采砂船及过往船只管理效率。

发明内容

本发明针对现有技术的不足，提出一种基于改进YOLOv4-tiny的面向边缘计算的河面采砂船及过往船只识别方法，采用YOLOv4-tiny模型进行目标检测，在不减少检测帧率和少量增加参数量的情况下实现更高的检测精度，实现了河面采砂船及过往船只的自动化检测。

为了实现上述的目的，本发明采用以下技术方案：一种面向边缘计算的河面采砂船及过往船只识别方法，其特征在于，所述方法包括以下步骤：

S1、船舶图像数据集的收集与制作：收集部署在江面岸边摄像头拍摄的过往的不同类别的船只图片，通过人工方式对船只数据集进行整理，从中筛选出画面清晰、易于分辨的符合要求的船只图片，利用图像标注软件labelimg对船只图像数据进行标注，结合公开船只数据集形成总的VOC格式的数据集，并按照9：1的比例划分训练验证集和测试集，在训练验证集中按照9：1的比例划分训练集和验证集。

S2、船只图像的预处理：利用数据翻转、图像缩放和添加噪声等数据增广的技术增加训练的船只数据量和提高船只训练数据集的复杂度，提高YOLOv4-tiny模型的泛化能力；同时通过增加噪声数据的方式，提升YOLOv4-tiny模型的鲁棒性；

S3、先验框的生成：利用K-Means聚类算法根据自制的船只目标检测数据集标签数据生成适用于特定船只数据集情形下的6个不同大小尺寸的先验框，分别分给输出不同特征层大小的两个YOLOHead，用此方法生成的先验框进行训练网络和进行预测可以达到更高的精度，聚类效果优秀，并且原理简单，易于实现，且收敛速度快；