CN111898699B - 一种船体目标自动检测识别方法 - Google Patents
一种船体目标自动检测识别方法 Download PDFInfo
- Publication number
- CN111898699B CN111898699B CN202010802211.2A CN202010802211A CN111898699B CN 111898699 B CN111898699 B CN 111898699B CN 202010802211 A CN202010802211 A CN 202010802211A CN 111898699 B CN111898699 B CN 111898699B
- Authority
- CN
- China
- Prior art keywords
- module
- convolution
- ship body
- residual
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 73
- 238000003062 neural network model Methods 0.000 claims abstract description 34
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 17
- 230000004927 fusion Effects 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 9
- 238000000137 annealing Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000001629 suppression Effects 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000000605 extraction Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种船体目标自动检测识别方法,包括:步骤1:获取训练数据集和测试数据集;步骤2:构建船体识别神经网络模型;步骤3:对训练数据集进行扩充,获取扩充训练数据集,使用扩充训练数据集对神经网络模型进行训练;步骤4:使用测试数据集对神经网络模型进行测试,判断模型精度是否满足预设精度,若是,则执行步骤5,否则,返回步骤3;步骤5:使用训练好的船体识别神经网络模型进行船体的自动检测识别。与现有技术相比,本发明具有识别精度高、识别速度快等优点。
Description
技术领域
本发明涉及航海条件下船体目标自动识别技术领域,尤其是涉及一种船体目标自动检测识别方法。
背景技术
随着计算机视觉特别是目标检测领域在近几年的发展,越来越多的自动驾驶***安装上了自动图像识别***来确保无人驾驶的安全,同样地,在航海领域中,无人船的自动航行也需要针对船体进行自动识别来保证行船任务的安全。
现有的目标检测算法很少有专门针对船体进行目标识别训练的,其算法在船体的识别精度与速度上并不高,因此需要一个特点针对船的目标检测算法来提高船体识别精度与速度。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于yolov3的并在此基础上有改进、识别精度高、识别速度快的船体目标自动检测识别方法。
本发明的目的可以通过以下技术方案来实现:
一种船体目标自动检测识别方法,包括:
步骤1:获取训练数据集和测试数据集;
步骤2:构建船体识别神经网络模型;
步骤3:对训练数据集进行扩充,获取扩充训练数据集,使用扩充训练数据集对神经网络模型进行训练;
步骤4:使用测试数据集对神经网络模型进行测试,判断模型精度是否满足预设精度,若是,则执行步骤5,否则,返回步骤3;
步骤5:使用训练好的船体识别神经网络模型进行船体的自动检测识别。
优选地,所述训练数据集的获取方法为:
使用LabelImg对船体图片进行标注,然后使用python将图片处理为txt格式文件,所有txt格式文件组成训练数据集。
优选地,所述的训练数据集的扩充方法具体为:
使用Mixup图像增强方式将训练数据集中不同的图片进行图像像素上的混合以扩充数据集,再将扩充后的训练数据集进行尺度上的变换再次扩充训练数据集,最终将经过两次扩充的训练数据集作为最终的扩充训练数据集。
优选地,所述步骤3中船体识别神经网络模型的训练采用混合精度训练方式。
更加优选地,所述的混合精度训练方式具体为:
使用16位半精度权重计算激活函数部分,更新时使用32位单精度权重。
优选地,所述的船体识别神经网络模型包括依次相连的改进CSPDarknet53框架、第二卷积模块、SPP池化层、特征融合模块、输出层和锚框检测模块;所述的改进CSPDarknet53框架还与输出层相连;
所述的改进CSPDarknet53框架包括依次相连的第一卷积模块、第一残差模块、第二残差模块、第三残差模块、第四残差模块和第五残差模块;
所述的输出层包括第一拼接模块、第三卷积模块、第四卷积模块、第二拼接模块、第五卷积模块、第六卷积模块、第一上采样模块、第七卷积模块和第二上采样模块;
所述的第一拼接模块的输入端与第三残差模块相连,第一拼接模块的输出端与第三卷积模块、第四卷积模块和锚框检测模块依次相连;所述的第二拼接模块的输入端与第四残差模块相连,第二拼接模块的输出端与第五卷积模块、第六卷积模块和锚框检测模块依次相连;所述的第七卷积模块的输入端与特征融合模块相连,输出端与锚框检测模块相连;
所述的第一上采样模块的输入端与第五卷积模块的输出端相连,第一上采样模块的输出端与第一拼接模块的输入端相连;所述的第二上采样模块的输入端与第七卷积模块的输出端相连,第二上采样模块的输出端与第二拼接模块(504)的输入端相连;
所述的特征融合模块为三个依次相连的自适应空间特征融合结构ASFF。
更加优选地,所述的第一卷积模块、第二卷积模块、第三卷积模块、第四卷积模块、第五卷积模块和第六卷积模块分别由若干个卷积块组成;所述的卷积块包括卷积层和DropBlock正则化单元;所述的卷积层的输出端与DropBlock的输入端相连;
所述的第一残差模块、第二残差模块、第三残差模块、第四残差模块和第五残差模块分别由若干个残差块组成;所述的若干个残差块表示为残差块*n,残差模块的表达式为:
残差模块=残差块*n=输入+卷积块+残差单元*n
其中,残差单元具体为含有两个卷积块的残差网络。
更加优选地,所述的卷积层采用Mixconv2d的卷积形式;
所述的卷积层的激活函数具体为Mish激活函数,具体为:
Mish=x*tanh(ln1+e^x)。
更加优选地,所述的船体识别神经网络模型采用余弦退火的方式实现学习率自动衰减。
更加优选地,所述的锚框检测模块包括三个锚框模块,该模块由训练集聚类获得;所述的船体识别神经网络模型得到的三个输出分别输入三个锚框模块,得到三个有关船体坐标信息与概率大小的输出;然后将三个输出分别经过非极大值抑制后得到相同合适的输出,若锚框检测模块输出识别为船的概率大于设置的基础概率,则该输出被判定为检测到船体,锚框检测模块输出的坐标信息将作为船体在图像中的位置信息作为最终输出。
与现有技术相比,本发明具有以下优点:
一、识别精度高,识别速度快:本发明中的目标检测识别方法使用船体识别神经网络模型来进行船体目标的自动识别,采用Mixup图像增强方式对训练数据集进行扩充,使得训练数据集更加全面,训练获得的船体识别神经网络模型识别精度更高;船体识别神经网络模型精简了卷积层数,同时选用Mish激活函数,提高了模型的识别速度。
二、完善模型结构:使用了spp结构,提高了神经网络的特征提取能力并降低过拟合发生的可能,使用了DenseNet连接方法,提升了梯度的反向传播能力,使得网络更容易训练,使用了MixConv2d卷积方法,提高了卷积的特征提取能力,使得船体识别神经网络模型的结构更加完善,更加适用于船体识别。
附图说明
图1为本发明中船体目标自动检测识别方法的流程示意图;
图2为本发明中船体识别神经网络模型的结构示意图。
图中标号所示:
1、改进CSPDarknet53框架,2、第二卷积模块,3、SPP池化层,4、特征融合模块,5、输出层,6、锚框检测模块,101、第一卷积模块,102、第一残差模块,103、第二残差模块,104、第三残差模块,105、第四残差模块,106、第五残差模块,501、第一拼接模块,502、第三卷积模块,503、第四卷积模块,504、第二拼接模块,505、第五卷积模块,506、第六卷积模块,507、第一上采样模块,508、第七卷积模块,509、第二上采样模块。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
一种船体目标自动检测识别方法,其结构如图1所示,包括:
步骤1:获取训练数据集和测试数据集;
步骤2:构建船体识别神经网络模型;
步骤3:对训练数据集进行扩充,获取扩充训练数据集,使用扩充训练数据集对神经网络模型进行训练;
步骤4:使用测试数据集对神经网络模型进行测试,判断模型精度是否满足预设精度,若是,则执行步骤5,否则,返回步骤3;
步骤5:使用训练好的船体识别神经网络模型进行船体的自动检测识别。
本实施例中训练数据集的获取方法为:使用LabelImg对船体图片进行标注,然后使用python将图片处理为txt格式文件,所有txt格式文件组成训练数据集。
本实施例中训练数据集的扩充方法为:使用Mixup图像增强方式将训练数据集中不同的图片进行图像像素上的混合以扩充数据集,再将扩充后的训练数据集进行尺度上的变换再次扩充训练数据集,最终将经过两次扩充的训练数据集作为最终的扩充训练数据集。
本实施例中的船体识别神经网络模型的训练采用混合精度训练方式,具体为:使用16位半精度权重计算激活函数部分,更新时使用32位单精度权重。
本实施例中的船体识别神经网络模型结构如图2所示,包括依次相连的改进CSPDarknet53框架1、第二卷积模块2、SPP池化层3、特征融合模块4、输出层5和锚框检测模块6,改进CSPDarknet53框架1还与输出层5相连。
改进CSPDarknet53框架1包括依次相连的第一卷积模块101、第一残差模块102、第二残差模块103、第三残差模块104、第四残差模块105和第五残差模块106。
输出层5包括第一拼接模块501、第三卷积模块502、第四卷积模块503、第二拼接模块504、第五卷积模块505、第六卷积模块506、第一上采样模块507、第七卷积模块508和第二上采样模块509。
第一拼接模块501的输入端与第三残差模块104相连,第一拼接模块501的输出端与第三卷积模块502、第四卷积模块503和锚框检测模块6依次相连,第二拼接模块504的输入端与第四残差模块105相连,第二拼接模块504的输出端与第五卷积模块505、第六卷积模块506和锚框检测模块6依次相连,第七卷积模块508的输入端与特征融合模块4相连,输出端与锚框检测模块6相连。
第一上采样模块507的输入端与第五卷积模块505的输出端相连,第一上采样模块507的输出端与第一拼接模块501的输入端相连,第二上采样模块509的输入端与第七卷积模块508的输出端相连,第二上采样模块509的输出端与第二拼接模块504的输入端相连。
本实例中的特征融合模块4为三个依次相连的自适应空间特征融合结构ASFF。
本实施例中的卷积模块,即第一卷积模块101、第二卷积模块2、第三卷积模块502、第四卷积模块503、第五卷积模块505和第六卷积模块506分别由若干个卷积块组成,卷积块包括卷积层和DropBlock正则化单元,卷积层的输出端与DropBlock的输入端相连;
第一残差模块102、第二残差模块103、第三残差模块104、第四残差模块105和第五残差模块106分别由若干个残差块组成,若干个残差块表示为残差块*n,残差模块的表达式为:
残差模块=残差块*n=输入+卷积块+残差单元*n
其中,残差单元具体为含有两个卷积块的残差网络。
本实施例中的卷积层采用Mixconv2d的卷积形式,激活函数选用Mish函数,具体为:
Mish=x*tanh(ln1+e^x)
本实施例中的船体识别神经网络模型采用余弦退火的方式实现学习率自动衰减。
下面对模型结构进行详细描述:
一、改进CSPDarknet53框架:CSPDarknet53框架为基础的目标识别结构,在现有CSPDarknet53框架基础上精简了中间神经网络结构,使得卷积层的数量由原来的75层降低为43层,这样可以加快训练过程,并且由于只做单一船体的目标检测,检测性能并不会因卷积层的减少而降低。
二、SPP池化层:Spatial Pyramid Pooling即空间金字塔池化层,比较成熟的池化结构,能够更好地提取图像特征。
三、使用Mixconv2d卷积形式的卷积层:Mixconv2d结构为混合感受野卷积结构,有效地提高了图像卷积过程中特征提取的能力。
四、Mish激活函数:该激活函数允许更好的信息深入到神经网络,从而得到更好的准确性和泛化。
五、Mixup图像增强技术:能够在几乎无额外计算开销的情况下稳定提升1个百分点的图像分类精度。
六、自适应空间特征融合结构ASFF:通过学习自适应空间模糊权值来过滤训练过程中的不一致性,显著提高了强大的基线和微小的推力开销,并在所有单点探测器之间实现了最先进的速度和精度权衡。
七、混合精度训练Mixed Precision Training:可以在内存减少一半的情况下达到同样的精度,提高训练效率。
八、DropBlock正则化:为了更加有效而丢弃局部语义信息,激励网络学到更加鲁棒有效的特征,采用按块丢弃的形式,该方法与Dropout方法不同,是将图像某一区域的像素点的信息一起丢失,可以加快信息的重利用率。
九、余弦退火学习率衰减:一种学习率自动衰减方法,能够使得算法在训练储气有着较大的学习率,而在训练训练后期有一个相对较小的学习率,更高的收到预设的极小值。
各个模块的结构组成如表1所示。
表1各个模块的结构组成
模块 | 结构组成 | 模块 | 结构组成 |
第一卷积模块101 | (608,608,32)*3 | 第七卷积模块508 | (19,19,1024)*2 |
第二卷积模块2 | (19,19,1024)*2 | 第一残差模块102 | (304,304,64)*1 |
第三卷积模块502 | (76,76,256)*2 | 第二残差模块103 | (152,152,128)*2 |
第四卷积模块503 | (76,76,512)*2 | 第三残差模块104 | (76,76,256)*2 |
第五卷积模块505 | (38,38,512)*2 | 第四残差模块105 | (38,38,512)*2 |
第六卷积模块506 | (38,38,1024)*2 | 第五残差模块106 | (19,19,1024)*2 |
本实施例中的船体识别神经网络模型在训练阶段,首先使用Mixup图像增强方式将不同的训练数据集图片进行图像像素上的混合以扩充数据集,再通过将扩充后的训练集进行尺度上的变换再次扩充数据集,将两次扩充后的数据集传入到神经网络进行训练,训练采用的方法是混合精度训练方式Mixed Precision Training,实施方式为训练时的32位权重会被截断为16位用来计算激活函数的部分,但更新时采用的又是32位的权重,这样可以控制半精度的信息损失,训练时,图片首先经过3个卷积层(包括一个提取层)提取特征,所有的卷积层都采用Mixconv2d的卷积形式,在卷积层中,首先用卷积提取图像特征,卷积层的激活函数都由传统的relu激活函数改为了mish激活函数,卷积层的最后再经过一个Drop正则化单元进行归一化处理,输出再经过三个残差块的提取层用于特征的提取,再经过两个残差块后,其中的输出一部分会传递到输出层中作为高尺度的一个输出(大小为76*76),输出的另一个部分会沿着神经网络结构向下传递,再经过两个残差块后得到的结果的一部分传递到输出层中作为中尺度的一个输出(38*38),结果的另一部分会沿着神经网络结构向下传递,再经过两个残差块后得到的结果的一部分传递到输出层中作为低尺度的一个输出(19*19),该输出经过三个卷积块后会沿着神经网络结构向下传递经过一个SPP池化层3与由3个ASFF提取结构依次相连组成的特征融合模块4后得到的输出经过一个卷积块后将作为第三输出,第三输出同时会作为输入沿着上采样层扩大尺度为38*38的尺寸后与原38*38的输出进行拼接后经过两个卷积块得到第二输出,第二输出同时也会作为输入沿着上采样层扩大尺度为76*76的尺寸后与原76*76的输出进行拼接后经过两个卷积块得到第一输出,然后第一输出、第二输出和第三输出经过其分别对应的三个anchor box相乘后得到最终输出,其所有输出中的格式是一样的,包括:船体检测框的水平中心坐标x、船体检测框的垂直中心坐标y、船体检测框的宽度w、船体检测框的高度h和判定为船体的概率c,经过非极大值抑制后将得到最终的检测结果,其结果中包含可能的一个或多个船的检测信息,若概率c大于基础的设定值0.5,则这些船体会被判定为真正检测的船体结果,x、y、h和w会作为船体在图像中的坐标位置输出。
在步骤3中,网络架构需要将原yolo算法中待检测种类数量更改为1,并且按照上述方法搭建船体识别神经网络,对神经网络结构和卷积层的层数进行精简。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (5)
1.一种船体目标自动检测识别方法,其特征在于,包括:
步骤1:获取训练数据集和测试数据集;
步骤2:构建船体识别神经网络模型;
步骤3:对训练数据集进行扩充,获取扩充训练数据集,使用扩充训练数据集对神经网络模型进行训练;
步骤4:使用测试数据集对神经网络模型进行测试,判断模型精度是否满足预设精度,若是,则执行步骤5,否则,返回步骤3;
步骤5:使用训练好的船体识别神经网络模型进行船体的自动检测识别;
所述的训练数据集的扩充方法具体为:使用Mixup图像增强方式将训练数据集中不同的图片进行图像像素上的混合以扩充数据集,再将扩充后的训练数据集进行尺度上的变换再次扩充训练数据集,最终将经过两次扩充的训练数据集作为最终的扩充训练数据集;
所述步骤3中船体识别神经网络模型的训练采用混合精度训练方式;所述的混合精度训练方式具体为:使用16位半精度权重计算激活函数部分,更新时使用32位单精度权重;
所述的船体识别神经网络模型包括依次相连的改进CSPDarknet53框架(1)、第二卷积模块(2)、SPP池化层(3)、特征融合模块(4)、输出层(5)和锚框检测模块(6);所述的改进CSPDarknet53框架(1)还与输出层(5)相连;
所述的改进CSPDarknet53框架(1)包括依次相连的第一卷积模块(101)、第一残差模块(102)、第二残差模块(103)、第三残差模块(104)、第四残差模块(105)和第五残差模块(106);
所述的输出层(5)包括第一拼接模块(501)、第三卷积模块(502)、第四卷积模块(503)、第二拼接模块(504)、第五卷积模块(505)、第六卷积模块(506)、第一上采样模块(507)、第七卷积模块(508)和第二上采样模块(509);
所述的第一拼接模块(501)的输入端与第三残差模块(104)相连,第一拼接模块(501)的输出端与第三卷积模块(502)、第四卷积模块(503)和锚框检测模块(6)依次相连;所述的第二拼接模块(504)的输入端与第四残差模块(105)相连,第二拼接模块(504)的输出端与第五卷积模块(505)、第六卷积模块(506)和锚框检测模块(6)依次相连;所述的第七卷积模块(508)的输入端与特征融合模块(4)相连,输出端与锚框检测模块(6)相连;
所述的第一上采样模块(507)的输入端与第五卷积模块(505)的输出端相连,第一上采样模块(507)的输出端与第一拼接模块(501)的输入端相连;所述的第二上采样模块(509)的输入端与第七卷积模块(508)的输出端相连,第二上采样模块(509)的输出端与第二拼接模块(504)的输入端相连;
所述的特征融合模块(4)为三个依次相连的自适应空间特征融合结构ASFF;
所述的船体识别神经网络模型采用余弦退火的方式实现学习率自动衰减。
2.根据权利要求1所述的一种船体目标自动检测识别方法,其特征在于,所述训练数据集的获取方法为:
使用LabelImg对船体图片进行标注,然后使用python将图片处理为txt格式文件,所有txt格式文件组成训练数据集。
3.根据权利要求1所述的一种船体目标自动检测识别方法,其特征在于,所述的第一卷积模块(101)、第二卷积模块(2)、第三卷积模块(502)、第四卷积模块(503)、第五卷积模块(505)和第六卷积模块(506)分别由若干个卷积块组成;所述的卷积块包括卷积层和DropBlock正则化单元;所述的卷积层的输出端与DropBlock的输入端相连;
所述的第一残差模块(102)、第二残差模块(103)、第三残差模块(104)、第四残差模块(105)和第五残差模块(106)分别由若干个残差块组成;所述的若干个残差块表示为残差块*n,残差模块的表达式为:
残差模块=残差块*n=输入+卷积块+残差单元*n
其中,残差单元具体为含有两个卷积块的残差网络。
4.根据权利要求3所述的一种船体目标自动检测识别方法,其特征在于,所述的卷积层采用Mixconv2d的卷积形式;
所述的卷积层的激活函数具体为Mish激活函数,具体为:
Mish=x*tanh(ln|1+e^x|)。
5.根据权利要求1所述的一种船体目标自动检测识别方法,其特征在于,所述的锚框检测模块(6)包括三个锚框模块,该模块由训练集聚类获得;所述的船体识别神经网络模型得到的三个输出分别输入三个锚框模块,得到三个有关船体坐标信息与概率大小的输出;然后将三个输出分别经过非极大值抑制后得到相同合适的输出,若锚框检测模块(6)输出识别为船的概率大于设置的基础概率,则该输出被判定为检测到船体,锚框检测模块(6)输出的坐标信息将作为船体在图像中的位置信息作为最终输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010802211.2A CN111898699B (zh) | 2020-08-11 | 2020-08-11 | 一种船体目标自动检测识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010802211.2A CN111898699B (zh) | 2020-08-11 | 2020-08-11 | 一种船体目标自动检测识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111898699A CN111898699A (zh) | 2020-11-06 |
CN111898699B true CN111898699B (zh) | 2024-05-10 |
Family
ID=73228819
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010802211.2A Active CN111898699B (zh) | 2020-08-11 | 2020-08-11 | 一种船体目标自动检测识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111898699B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508001A (zh) * | 2020-12-03 | 2021-03-16 | 安徽理工大学 | 一种基于多光谱波段筛选和改进U-Net的煤矸石定位方法 |
CN114723775A (zh) * | 2021-01-04 | 2022-07-08 | 广州中国科学院先进技术研究所 | 一种基于小样本学习的机器人抓取***及方法 |
CN112528963A (zh) * | 2021-01-09 | 2021-03-19 | 江苏拓邮信息智能技术研究院有限公司 | 基于MixNet-YOLOv3和卷积递归神经网络CRNN的算术题智能批阅*** |
CN112818913B (zh) * | 2021-02-24 | 2023-04-07 | 西南石油大学 | 一种实时吸烟打电话识别方法 |
CN112598604A (zh) * | 2021-03-04 | 2021-04-02 | 成都东方天呈智能科技有限公司 | 一种盲脸复原方法及*** |
CN112700446A (zh) * | 2021-03-23 | 2021-04-23 | 常州微亿智造科技有限公司 | 用于工业质检的算法模型训练方法和装置 |
CN113449634A (zh) * | 2021-06-28 | 2021-09-28 | 上海翰声信息技术有限公司 | 一种用于处理强光环境下的视频检测方法及装置 |
CN114170421B (zh) * | 2022-02-10 | 2022-06-17 | 卡奥斯工业智能研究院(青岛)有限公司 | 图像检测方法、装置、设备及存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647648A (zh) * | 2018-05-14 | 2018-10-12 | 电子科技大学 | 一种基于卷积神经网络的可见光条件下的舰船识别***及方法 |
CN108776779A (zh) * | 2018-05-25 | 2018-11-09 | 西安电子科技大学 | 基于卷积循环网络的sar序列图像目标识别方法 |
CN108875486A (zh) * | 2017-09-28 | 2018-11-23 | 北京旷视科技有限公司 | 目标对象识别方法、装置、***和计算机可读介质 |
CN109165585A (zh) * | 2018-06-15 | 2019-01-08 | 沈阳理工大学 | 一种改进的基于yolo v2的船舶目标检测方法 |
CN109271856A (zh) * | 2018-08-03 | 2019-01-25 | 西安电子科技大学 | 基于扩张残差卷积的光学遥感图像目标检测方法 |
CN109685847A (zh) * | 2018-12-26 | 2019-04-26 | 北京因时机器人科技有限公司 | 一种视觉目标检测模型的训练方法和装置 |
CN110060508A (zh) * | 2019-04-08 | 2019-07-26 | 武汉理工大学 | 一种用于内河桥区的船舶自动检测方法 |
CN110070142A (zh) * | 2019-04-29 | 2019-07-30 | 上海大学 | 一种基于yolo神经网络的海上船只目标检测方法 |
CN110321874A (zh) * | 2019-07-12 | 2019-10-11 | 南京航空航天大学 | 一种轻量化的卷积神经网络行人识别方法 |
CN110348303A (zh) * | 2019-06-06 | 2019-10-18 | 武汉理工大学 | 一种可搭载于无人艇的辅助水面巡逻***以及水面监测方法 |
CN110688955A (zh) * | 2019-09-27 | 2020-01-14 | 西安建筑科技大学 | 一种基于yolo神经网络的建筑构建目标检测方法 |
WO2020071839A1 (ko) * | 2018-10-04 | 2020-04-09 | 씨드로닉스㈜ | 선박 및 항만 모니터링 장치 및 방법 |
CN111046793A (zh) * | 2019-12-11 | 2020-04-21 | 北京工业大学 | 基于深度卷积神经网络的番茄病害识别方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9767387B2 (en) * | 2015-09-09 | 2017-09-19 | Accenture Global Services Limited | Predicting accuracy of object recognition in a stitched image |
CN107818571B (zh) * | 2017-12-11 | 2018-07-20 | 珠海大横琴科技发展有限公司 | 基于深度学习网络和均值漂移的船只自动跟踪方法及*** |
US10628705B2 (en) * | 2018-03-29 | 2020-04-21 | Qualcomm Incorporated | Combining convolution and deconvolution for object detection |
US11921233B2 (en) * | 2018-10-02 | 2024-03-05 | Metawave Corporation | Adaptive radar for near-far target identification |
-
2020
- 2020-08-11 CN CN202010802211.2A patent/CN111898699B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875486A (zh) * | 2017-09-28 | 2018-11-23 | 北京旷视科技有限公司 | 目标对象识别方法、装置、***和计算机可读介质 |
CN108647648A (zh) * | 2018-05-14 | 2018-10-12 | 电子科技大学 | 一种基于卷积神经网络的可见光条件下的舰船识别***及方法 |
CN108776779A (zh) * | 2018-05-25 | 2018-11-09 | 西安电子科技大学 | 基于卷积循环网络的sar序列图像目标识别方法 |
CN109165585A (zh) * | 2018-06-15 | 2019-01-08 | 沈阳理工大学 | 一种改进的基于yolo v2的船舶目标检测方法 |
CN109271856A (zh) * | 2018-08-03 | 2019-01-25 | 西安电子科技大学 | 基于扩张残差卷积的光学遥感图像目标检测方法 |
WO2020071839A1 (ko) * | 2018-10-04 | 2020-04-09 | 씨드로닉스㈜ | 선박 및 항만 모니터링 장치 및 방법 |
CN109685847A (zh) * | 2018-12-26 | 2019-04-26 | 北京因时机器人科技有限公司 | 一种视觉目标检测模型的训练方法和装置 |
CN110060508A (zh) * | 2019-04-08 | 2019-07-26 | 武汉理工大学 | 一种用于内河桥区的船舶自动检测方法 |
CN110070142A (zh) * | 2019-04-29 | 2019-07-30 | 上海大学 | 一种基于yolo神经网络的海上船只目标检测方法 |
CN110348303A (zh) * | 2019-06-06 | 2019-10-18 | 武汉理工大学 | 一种可搭载于无人艇的辅助水面巡逻***以及水面监测方法 |
CN110321874A (zh) * | 2019-07-12 | 2019-10-11 | 南京航空航天大学 | 一种轻量化的卷积神经网络行人识别方法 |
CN110688955A (zh) * | 2019-09-27 | 2020-01-14 | 西安建筑科技大学 | 一种基于yolo神经网络的建筑构建目标检测方法 |
CN111046793A (zh) * | 2019-12-11 | 2020-04-21 | 北京工业大学 | 基于深度卷积神经网络的番茄病害识别方法 |
Non-Patent Citations (2)
Title |
---|
基于改进卷积神经网络的船舶目标检测;王新立;江福才;宁方鑫;马全党;张帆;邹红兵;;中国航海(第02期);全文 * |
王新立 ; 江福才 ; 宁方鑫 ; 马全党 ; 张帆 ; 邹红兵 ; .基于改进卷积神经网络的船舶目标检测.中国航海.2018,(第02期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111898699A (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111898699B (zh) | 一种船体目标自动检测识别方法 | |
CN110298361B (zh) | 一种rgb-d图像的语义分割方法和*** | |
CN110163187B (zh) | 基于f-rcnn的远距离交通标志检测识别方法 | |
CN110348376B (zh) | 一种基于神经网络的行人实时检测方法 | |
CN112766087A (zh) | 一种基于知识蒸馏的光学遥感图像舰船检测方法 | |
CN108960135B (zh) | 基于高分辨遥感图像的密集舰船目标精确检测方法 | |
CN111489339A (zh) | 高速铁路***螺栓备母缺陷的检测方法 | |
CN111832484A (zh) | 一种基于卷积感知哈希算法的回环检测方法 | |
CN111428558A (zh) | 一种基于改进YOLOv3方法的车辆检测方法 | |
CN114742820B (zh) | 一种基于深度学习的螺栓松动检测方法、***及存储介质 | |
CN114155491B (zh) | 一种基于ais数据的船舶行为识别方法及*** | |
CN116416497A (zh) | 一种轴承故障诊断***及方法 | |
CN114742799A (zh) | 基于自监督异构网络的工业场景未知类型缺陷分割方法 | |
CN114693670B (zh) | 基于多尺度U-Net的直缝埋弧焊管焊缝缺陷超声检测方法 | |
CN114022837A (zh) | 车站遗留物品检测方法、装置、电子设备及存储介质 | |
CN110427030B (zh) | 一种基于Tiny-YOLOship目标检测算法的无人艇自主对接回收方法 | |
CN110263836B (zh) | 一种基于多特征卷积神经网络的不良驾驶状态识别方法 | |
CN115240259A (zh) | 一种基于yolo深度网络的课堂环境下人脸检测方法及其检测*** | |
CN113963333A (zh) | 一种基于改进yolof模型的交通标志牌检测方法 | |
CN113052071B (zh) | 危化品运输车驾驶员分心行为快速检测方法及*** | |
CN113971775A (zh) | 一种基于优化yolov4算法的违章行为识别方法及*** | |
CN114494893B (zh) | 基于语义重用上下文特征金字塔的遥感图像特征提取方法 | |
CN116129293A (zh) | 一种基于无人机的车辆实时检测方法 | |
CN115861595A (zh) | 一种基于深度学习的多尺度域自适应异源图像匹配方法 | |
CN114359689A (zh) | 一种动态目标的检测与跟踪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |