[发明专利]一种基于深度学习的海上小目标检测方法

说明书

本发明公开了一种基于深度学习的海上小目标检测方法，包括以下步骤：步骤S1：采集实际海域的视频图像，并对视频图像进行分帧处理得到含有目标特征的图片数据集；步骤S2：对图片数据集进行标注获取特征图片测试集与特征图片训练集；步骤S3：基于YOLOv5的网络框架，构造加入注意力机制模块SCAM++与增强型双向特征融合结构PANet的YOLO‑sea网络模型；步骤S4：采用DIoU作为YOLO‑sea的损失函数，利用图片训练集对YOLO‑sea网络模型进行训练，获取YOLO‑sea优化模型；步骤S5：采用YOLO‑sea优化模型对图片测试集进行目标检测。解决了海天线附近的极小目标集中在一起，且受到海岸、浪花的干扰，海上小目标检测精度低以及实时性差的问题。

技术领域

本发明涉及海上目标检测技术领域，尤其涉及一种基于深度学习的海上小目标检测方法。

背景技术

智能船目标检测器的设计应满足以下两个条件。第一，海面障碍物目标的高精度检测。第二，算法的检测速度需满足实时和低延迟。常见的基于CNN的目标检测算法可分为两类。第一类是基于区域建议生成的二阶段方法，如R-CNN[1]、Faster R-CNN[2]等。这些方法在第一阶段生成区域建议，在第二阶段针对感兴趣区域中的内容进行分类和回归，丢失了局部目标在整幅图像中的空间信息，且检测速度无法达到实时。第二类是单阶段目标检测器，如YOLO[3]、RetinaNet[4]和SSD[5]，这类算法不直接生成感兴趣区域，而是将目标检测任务看作是对整幅图像的回归任务。因此，单阶段检测器的速度大多可以满足实时性的要求，但是也存在物体定位准确度低、召回率差的问题。YOLOv5可以一次性推理多个物体，检测速度极快[6]。此外，通过自适应设计锚框、网络模块结构优化进一步改善了YOLOv3[7]、YOLOv4[8]检测精度低的问题。

在真实的海上航行场景中，船载相机收集的海上光学图像中具有大量小尺度目标的特点。由于摄影测量中透视畸变的存在，远距离物体变小，准确检测海上小目标是一个已知的难题[9]–[11]。在分辨率为1920×1080的高清图像上，本船附近的物体的标注框在大小上与海天线附近的障碍物目标相差120倍以上。值得注意的是，海天线附近的极小目标集中在一起，且受到海岸、浪花的干扰，这大大增加了海上小目标检测的难度；由于现有的算法模型无法满足海上自动驾驶场景中准确、实时的障碍物检测要求；因此需要设计一种能够高效处理海上目标的检测方法。

上述技术的参考文献如下：

[1]R.Girshick,J.Donahue,T.Darrell,and J.Malik,“Rich FeatureHierarchies for Accurate Object Detection and Semantic Segmentation,”in2014IEEE Conference on Computer Vision and Pattern Recognition(CVPR),Columbus,OH,USA,Jun.2014,pp.580–587.doi:10.1109/CVPR.2014.81.

[2]S.Ren,K.He,R.Girshick,and J.Sun,“Faster R-CNN:Towards Real-TimeObject Detection with Region Proposal Networks,”IEEE Transactions on PatternAnalysis and Machine Intelligence,vol.39,no.6,pp.1137–1149,2017.

[3]J.Redmon,S.Divvala,R.Girshick,and A.Farhadi,“You Only Look Once:Unified,Real-Time Object Detection,”in 2016IEEE Conference on Computer Visionand Pattern Recognition(CVPR),Las Vegas,Nevada,USA,2016,doi:10.1109/CVPR.2016.91.