CN114898290A - 一种海上船舶实时检测方法及*** - Google Patents
一种海上船舶实时检测方法及*** Download PDFInfo
- Publication number
- CN114898290A CN114898290A CN202210521090.3A CN202210521090A CN114898290A CN 114898290 A CN114898290 A CN 114898290A CN 202210521090 A CN202210521090 A CN 202210521090A CN 114898290 A CN114898290 A CN 114898290A
- Authority
- CN
- China
- Prior art keywords
- ship
- image
- real
- time
- yolov3 model
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种海上船舶实时检测方法及***,该方法获取船载实时视频图像,利用船舶区域提取算法对视频的当前帧图像进行检测;当在当前帧图像中检测到船舶目标时,提取船舶的前景图像;将提取得到的船舶前景图像作为输入,利用改进的YOLOv3模型进行海上船舶的实时检测。本发明提出的方案中,加入感兴趣区域提取过程可以提高整体算法的检测速度,保证实时性,节省计算机资源;改进的YOLOv3模型可以进一步在保证实时性的基础上提高检测精度,保证检测效果。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种海上船舶实时检测方法***。
背景技术
目前,我国约90%的进出口货运都是利用水上交通运输来实现。面对日益繁忙的水路运输,随之引发的航行安全问题也日益突出。在众多航行安全问题中,船舶碰撞是亟待解决的安全隐患之一。针对此,采用目标检测技术识别海上船舶能够有助于解决人眼观测识别速度慢、定位精度低等问题,避免在船舶航行过程中发生船舶碰撞等交通事故。因此,实现全天候、全时段、快速、精准的检测与识别对于保障航行安全、港口城市的船舶运营管理与指挥调度等具有重要意义。
目标检测技术作为数字图像处理领域的重要技术之一,是目前视频处理研究的重要手段,主要包含三大类:传统的运动目标检测、浅层机器学习方法和深度学习算法。运动目标检测算法是通过逐帧判断有无运动区域产生;浅层机器学习方法是通过提取特征、目标分割等手段进行检测;深度学习算法基于卷积神经网络的深层结构,通过特征提取、分类等手段进行检测。
现有技术中,运动目标检测技术是指在图像序列中利用像素值发生变化的原理将运动中的前景区域从背景图像中提取出来,目前主要包含帧间差分法、背景建模法、光流法以及在其基础上的改进算法。该类算法易受场景的干扰,如气候、光照、风吹草动等;此外,其仅能检测发生变化的区域,不能识别其类别。
机器学习目标检测方法通过构建分类器对目标特征进行处理,其检测步骤为:首先将含有目标特征的图像作为正样本,不含有目标特征的图像作为负样本,正样本与负样本构成训练模型的训练集;然后通过计算机输入训练集训练出若干分类器,最后输入测试样本择优选择可用分类器并对待检测图像进行识别。该类算法依赖于人工设计特征,特征选取优劣影响最终的检测结果;此外,当有新的船舶目标特征数据加入时需要重新训练分类器,鲁棒性弱,且识别精度低。
现有技术中还提出一种基于场景多维特征的船只检测方法,该方法提取每帧图像的所有边缘作为图像的第四维;提取海岸线,设置船只出现区域为海面区域;构建类FasterRCNN(Fast Region-based Convolutional Neural Networks)卷积网络作为深度学习网络,将样本数据输入到深度学习网络中;构建RPN网络,利用滑窗在船只出现范围区域生成不同大小区域建议框,同所得深度学习网络结合,根据船只真实位置训练模型;基于训练所得模型,对检测影像海岸线间的部分进行船只检测。该方法存在不足之处是,类FasterRCNN网络训练难度较大,需要大量样本支撑,且较难适应多种尺度大小的船只,检测速度慢、实时性差。
发明内容
本发明提供一种海上船舶实时检测方法及***,能够解决深度学习检测速度慢的问题,并在保证实时性的基础上提高检测精度。
根据本发明的一个方面,提供了一种海上船舶实时检测方法,包括以下步骤:
获取船载实时视频图像,利用船舶区域提取算法对视频的当前帧图像进行检测;
当在当前帧图像中检测到船舶目标时,提取船舶的前景图像;
将提取得到的船舶前景图像作为输入,利用改进的YOLOv3模型进行海上船舶的实时检测。
所述改进的YOLOv3模型,根据如下方式获取:
采集并制作船舶图像数据库;
根据所述船舶图像数据库中船舶数据训练YOLOv3模型,得到用于检测海上船舶的模型权重;
加载预训练权重,修正所述YOLOv3模型为改进的YOLOv3模型。
所述船舶区域提取算法,包括:
采用帧差法对船舶前景图像进行提取,仅保留船舶区域并加入连通域处理。
所述船舶区域提取算法,包括:
输入一段船载视频图像,提取第N帧与第N-1帧图像;
将所述两帧图像对应像素点的灰度值做差运算,得到差分图像;
对所述差分图像通过连通域处理,并进行阈值判断;
如果小于设定阈值,则返回继续判断下一帧;如果大于设定阈值,则输出船舶位置信息,提取船舶图像。
所述改进的YOLOv3模型,包括:
通过标注船舶图像获取的标注文本包含图像通道信息,使用K-means聚类算法在标注文本基础上聚类出针对船舶检测的先验框尺寸;每个特征尺度分别对应三个先验框尺寸。
所述改进的YOLOv3模型,包括:
改进的YOLOv3模型结构由卷积操作、批标准化和Mish激活函数组成。
所述改进的YOLOv3模型,包括:
在残差模块中加入CBAM注意力机制;所述CBAM注意力机制由两个CBM结构和一个CBAM注意力机制构成。
所述改进的YOLOv3模型,包括:
改进后的YOLOv3模型的架构中,特征纬度w=(船舶种类+5)*3,残差n由一个CBM结构和n个残差块构成。
根据本发明的另一个方面,提供了一种海上船舶实时检测***,包括:
船舶区域提取单元,用于获取船载实时视频图像,利用船舶区域提取算法对视频的当前帧图像进行检测;当在当前帧图像中检测到船舶目标时,提取船舶的前景图像;
目标检测识别单元,用于将提取得到的船舶前景图像作为输入,利用改进的YOLOv3模型进行海上船舶的实时检测。
所述***还包括:
模型训练单元,用于采集并制作船舶图像数据库;根据所述船舶图像数据库中船舶数据训练YOLOv3模型,得到用于检测海上船舶的模型权重;加载预训练权重,修正所述YOLOv3模型为改进的YOLOv3模型。
采用本发明的技术方案,提出了一种海上船舶实时检测方案,获取船载实时视频图像,利用船舶区域提取算法对视频的当前帧图像进行检测;当在当前帧图像中检测到船舶目标时,提取船舶的前景图像;将提取得到的船舶前景图像作为输入,利用改进的YOLOv3模型进行海上船舶的实时检测。
本发明提出的方案中,加入感兴趣区域提取过程可以提高整体算法的检测速度,保证实时性,节省计算机资源;改进的YOLOv3模型可以进一步在保证实时性的基础上提高检测精度,保证检测效果。
本发明提出的方案中,当船载视频中未出现船舶时,本发明可以仅应用预处理过程实现船舶的检测,大大提高了计算机的资源利用率和检测的实时性;当船载视频中出现船舶时,经过预处理提取船舶图像再经过深度学习算法进行识别。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中海上船舶实时检测方法原理流程图;
图2为本发明实施例中海上船舶实时检测方案原理示意图;
图3为本发明实施例中感兴趣区域提取流程图;
图4为本发明实施例中残差块结构图之一;
图5为本发明实施例中残差块结构图之二;
图6为本发明实施例中改进YOLOv3结构图;
图7为本发明实施例中海上船舶实时检测***结构示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
针对传统运动目标检测算法只能检测不能识别、机器学习目标检测算法精度差、鲁棒性弱等问题,本发明使用深度学习目标检测算法识别海上船舶。但考虑到深度学习目标检测在实际应用过程中存在计算机资源浪费的问题,在船舶数据集上难以同时满足高精度和实时性,所以本发明加入预处理过程,先提取感兴趣区域,再识别船舶。
当船载视频中未出现船舶时,本发明可以仅应用预处理过程实现船舶的检测,大大提高了计算机的资源利用率和检测的实时性;当船载视频中出现船舶时,经过预处理提取船舶图像再经过深度学习算法进行识别。因此,本发明提出的一种新的海上船舶实时检测方法,能够解决深度学习检测速度慢的问题,并在保证实时性的基础上提高检测精度。
图1为本发明实施例一中海上船舶实时检测流程图。如图1所示,该海上船舶实时检测流程包括以下步骤:
步骤101、获取船载实时视频图像,利用船舶区域提取算法对视频的当前帧图像进行检测。
在本发明的一个实施例中,采用加入感兴趣区域提取的深度学习目标检测技术,对背景较单一的海上船载视频图像中出现的船舶进行检测与识别。
具体的船舶区域提取算法中,输入一段船载视频图像,提取第N帧与第N-1帧图像;
将所述两帧图像对应像素点的灰度值做差运算,得到差分图像;
对所述差分图像通过连通域处理,并进行阈值判断;
如果小于设定阈值,则返回继续判断下一帧;如果大于设定阈值,则输出船舶位置信息,提取船舶图像。
步骤102,当在当前帧图像中检测到船舶目标时,提取船舶的前景图像。
在本发明的一个实施例中,由于帧差法算法简单,运算速度快,本发明采用帧差法对船舶前景图像进行提取,即仅保留感兴趣区域(船舶),便于后续用于深度学习模型的训练与识别。为了填补图像“黑洞”,本发明加入连通域处理。
步骤103,将提取得到的船舶前景图像作为输入,利用改进的YOLOv3模型进行海上船舶的实时检测。
在本发明的一个实施例中,改进的YOLOv3模型,根据如下方式获取:
采集并制作船舶图像数据库;
根据所述船舶图像数据库中船舶数据训练YOLOv3模型,得到用于检测海上船舶的模型权重;
加载预训练权重,修正所述YOLOv3模型为改进的YOLOv3模型。
在本发明的一个实施例中,改进的YOLOv3模型,包括:
通过标注船舶图像获取的标注文本包含图像通道信息,使用K-means聚类算法在标注文本基础上聚类出针对船舶检测的先验框尺寸;每个特征尺度分别对应三个先验框尺寸。
改进的YOLOv3模型结构由卷积操作、批标准化和Mish激活函数组成。
在残差模块中加入CBAM注意力机制;所述CBAM注意力机制由两个CBM结构和一个CBAM注意力机制构成。
改进后的YOLOv3模型的架构中,特征纬度w=(船舶种类+5)*3,残差n由一个CBM结构和n个残差块构成。
具体的,本发明实施例中,提出了一种适用于海上的船舶实时检测方法,该方法采用加入感兴趣区域提取的深度学习目标检测技术,对背景较单一的海上船载视频图像中出现的船舶进行检测与识别,其技术流程图如图2所示,包含船舶区域提取和目标检测识别两个部分。
(1)船舶区域提取算法
由于帧差法算法简单,运算速度快,本发明采用帧差法对船舶前景图像进行提取,即仅保留感兴趣区域(船舶),便于后续用于深度学习模型的训练与识别。为了填补图像“黑洞”,本发明加入连通域处理。船舶区域提取算法的流程图如图3所示。
具体步骤为:首先输入一段船载视频图像,提取第N帧与第N-1帧图像;然后将上述两帧图像对应像素点的灰度值做差运算,得到差分图像;再对差分图像通过连通域处理,并进行阈值判断;如果小于阈值,则返回继续判断下一帧;如果大于阈值,则输出船舶位置信息,提取船舶图像。
(2)基于改进YOLOv3的船舶检测与识别算法
YOLOv3算法最突出的特点就是端到端检测,它可以通过一个阶段直接预测出图像的边框和类别信息,大大提升了检测的速度,适合用于实时检测,但原有YOLOv3模型中默认的先验框不适合检测船舶且训练种类过多没有针对性、计算量大且浪费资源,因此,本发明提出了一种适用于船舶检测的改进YOLOv3算法,具体如下:
1)通过标注船舶图像获取的标注文本包含图像通道信息,使用K-means聚类算法在标注文本基础上可以聚类出针对船舶检测的先验框尺寸,每个特征尺度分别对应三个先验框尺寸,如表1所示。
表1
2)针对限制范围而导致的梯度饱和问题,本发明使用Mish激活函数。修改后的结构由卷积操作(Convolution)、批标准化(Batch Normalization,BN)和Mish激活函数组成。该函数表达式如下:
f(x)=x*tanh(ln(1+ex))
该函数由于在x>0部分是无穷大,所以避免了由于限制范围而导致的梯度饱和,而且可以有效应对梯度消失的情况。
该结构如图4所示。
3)为了便于处理庞大的计算量、降低数据维度,让任务处理更专注于找到更有用的船舶信息,在残差模块中加入CBAM注意力机制(Convolutional Block AttentionModule),结构如图5所示,该结构由两个CBM结构和一个CBAM注意力机制构成。
改进后的YOLOv3架构如图6所示,其中特征纬度w=(船舶种类+5)*3,残差n则由一个CBM结构和n个残差块构成。
具体来说,本实施例方法的整体实现步骤如下:
1、采集并制作船舶图像数据库,用训练集训练改进的YOLOv3模型,得到用于检测海上船舶的模型权重;
2、加载预训练权重,接入船载实时视频图像;
3、首先利用船舶区域提取算法,对视频的当前帧图像进行检测;
4、若在当前帧图像中检测到船舶目标,则提取船舶的前景图像;
5、若在当前帧图像中未检测到船舶目标,则重新执行步骤3;
6、将步骤4中提取得到的船舶前景图像作为输入,利用改进的YOLOv3模型进行识别;
7、循环步骤2-6,完成海上船舶的实时检测。
本发明实施例加入感兴趣区域提取过程可以提高整体算法的检测速度,保证实时性,节省计算机资源;改进的YOLOv3模型可以进一步在保证实时性的基础上提高检测精度,保证检测效果。
为了实现上述流程,本发明技术方案还提供海上船舶实时检测***,如图7所示,该海上船舶实时检测***包括:
船舶区域提取单元21,用于获取船载实时视频图像,利用船舶区域提取算法对视频的当前帧图像进行检测;当在当前帧图像中检测到船舶目标时,提取船舶的前景图像;
目标检测识别单元22,用于将提取得到的船舶前景图像作为输入,利用改进的YOLOv3模型进行海上船舶的实时检测。
所述***还包括:
模型训练单元23,用于采集并制作船舶图像数据库;根据所述船舶图像数据库中船舶数据训练YOLOv3模型,得到用于检测海上船舶的模型权重;加载预训练权重,修正所述YOLOv3模型为改进的YOLOv3模型。
综上所述,本发明的技术方案,提出了一种海上船舶实时检测方案,获取船载实时视频图像,利用船舶区域提取算法对视频的当前帧图像进行检测;当在当前帧图像中检测到船舶目标时,提取船舶的前景图像;将提取得到的船舶前景图像作为输入,利用改进的YOLOv3模型进行海上船舶的实时检测。
本发明提出的方案中,面向海上船舶识别场景,制作船舶图像数据库,通过修改先验框大小、替换激活函数、加入注意力机制等改进YOLOv3模型,这些改进均加强了改进YOLOv3模型在海上船舶识别上的检测能力,并能够进一步提高识别精度。
对于本发明而言,感兴趣区域仅为船舶,所以对于一帧完整的海上船舶图像来说,仅船舶及其周围部分像素点重要。因此,与仅用深度学习算法直接检测相比,该方法能够大大减少无关像素点的影响,提高计算机资源利用率并达到实时性。
本发明提出的方案中,加入感兴趣区域提取过程可以提高整体算法的检测速度,保证实时性,节省计算机资源;改进的YOLOv3模型可以进一步在保证实时性的基础上提高检测精度,保证检测效果。
本发明提出的方案中,当船载视频中未出现船舶时,本发明可以仅应用预处理过程实现船舶的检测,大大提高了计算机的资源利用率和检测的实时性;当船载视频中出现船舶时,经过预处理提取船舶图像再经过深度学习算法进行识别。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种海上船舶实时检测方法,其特征在于,包括以下步骤:
获取船载实时视频图像,利用船舶区域提取算法对视频的当前帧图像进行检测;
当在当前帧图像中检测到船舶目标时,提取船舶的前景图像;
将提取得到的船舶前景图像作为输入,利用改进的YOLOv3模型进行海上船舶的实时检测。
2.根据权利要求1所述的一种海上船舶实时检测方法,其特征在于,所述改进的YOLOv3模型,根据如下方式获取:
采集并制作船舶图像数据库;
根据所述船舶图像数据库中船舶数据训练YOLOv3模型,得到用于检测海上船舶的模型权重;
加载预训练权重,修正所述YOLOv3模型为改进的YOLOv3模型。
3.根据权利要求1所述的一种海上船舶实时检测方法,其特征在于,所述船舶区域提取算法,包括:
采用帧差法对船舶前景图像进行提取,仅保留船舶区域并加入连通域处理。
4.根据权利要求3所述的一种海上船舶实时检测方法,其特征在于,所述船舶区域提取算法,包括:
输入一段船载视频图像,提取第N帧与第N-1帧图像;
将所述两帧图像对应像素点的灰度值做差运算,得到差分图像;
对所述差分图像通过连通域处理,并进行阈值判断;
如果小于设定阈值,则返回继续判断下一帧;如果大于设定阈值,则输出船舶位置信息,提取船舶图像。
5.根据权利要求1所述的一种海上船舶实时检测方法,其特征在于,所述改进的YOLOv3模型,包括:
通过标注船舶图像获取的标注文本包含图像通道信息,使用K-means聚类算法在标注文本基础上聚类出针对船舶检测的先验框尺寸;每个特征尺度分别对应三个先验框尺寸。
6.根据权利要求5所述的一种海上船舶实时检测方法,其特征在于,所述改进的YOLOv3模型,包括:
改进的YOLOv3模型结构由卷积操作、批标准化和Mish激活函数组成。
7.根据权利要求6所述的一种海上船舶实时检测方法,其特征在于,所述改进的YOLOv3模型,包括:
在残差模块中加入CBAM注意力机制;所述CBAM注意力机制由两个CBM结构和一个CBAM注意力机制构成。
8.根据权利要求7所述的一种海上船舶实时检测方法,其特征在于,所述改进的YOLOv3模型,包括:
改进后的YOLOv3模型的架构中,特征纬度w=(船舶种类+5)*3,残差n由一个CBM结构和n个残差块构成。
9.一种海上船舶实时检测***,其特征在于,包括:
船舶区域提取单元,用于获取船载实时视频图像,利用船舶区域提取算法对视频的当前帧图像进行检测;当在当前帧图像中检测到船舶目标时,提取船舶的前景图像;
目标检测识别单元,用于将提取得到的船舶前景图像作为输入,利用改进的YOLOv3模型进行海上船舶的实时检测。
10.根据权利要求9所述的一种海上船舶实时检测***,其特征在于,所述***还包括:
模型训练单元,用于采集并制作船舶图像数据库;根据所述船舶图像数据库中船舶数据训练YOLOv3模型,得到用于检测海上船舶的模型权重;加载预训练权重,修正所述YOLOv3模型为改进的YOLOv3模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210521090.3A CN114898290A (zh) | 2022-05-13 | 2022-05-13 | 一种海上船舶实时检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210521090.3A CN114898290A (zh) | 2022-05-13 | 2022-05-13 | 一种海上船舶实时检测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114898290A true CN114898290A (zh) | 2022-08-12 |
Family
ID=82722697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210521090.3A Pending CN114898290A (zh) | 2022-05-13 | 2022-05-13 | 一种海上船舶实时检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114898290A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116883913A (zh) * | 2023-09-05 | 2023-10-13 | 长江信达软件技术(武汉)有限责任公司 | 一种基于视频流相邻帧的船只识别方法及*** |
-
2022
- 2022-05-13 CN CN202210521090.3A patent/CN114898290A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116883913A (zh) * | 2023-09-05 | 2023-10-13 | 长江信达软件技术(武汉)有限责任公司 | 一种基于视频流相邻帧的船只识别方法及*** |
CN116883913B (zh) * | 2023-09-05 | 2023-11-21 | 长江信达软件技术(武汉)有限责任公司 | 一种基于视频流相邻帧的船只识别方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107563372B (zh) | 一种基于深度学习ssd框架的车牌定位方法 | |
CN111460968B (zh) | 基于视频的无人机识别与跟踪方法及装置 | |
CN114241285B (zh) | 一种基于知识蒸馏和半监督学习的船舶快速检测方法 | |
CN111767927A (zh) | 一种基于全卷积网络的轻量级车牌识别方法及*** | |
CN105574550A (zh) | 一种车辆识别方法及装置 | |
CN110598693A (zh) | 一种基于Faster-RCNN的船牌识别方法 | |
CN112734803B (zh) | 基于文字描述的单目标跟踪方法、装置、设备及存储介质 | |
CN110705412A (zh) | 一种基于运动历史图像的视频目标检测方法 | |
CN109919223B (zh) | 基于深度神经网络的目标检测方法及装置 | |
CN110633727A (zh) | 基于选择性搜索的深度神经网络舰船目标细粒度识别方法 | |
Liu et al. | Analysis of anchor-based and anchor-free object detection methods based on deep learning | |
CN110008900A (zh) | 一种由区域到目标的可见光遥感图像候选目标提取方法 | |
Zhao et al. | Research on detection method for the leakage of underwater pipeline by YOLOv3 | |
Fu et al. | Maritime ship targets recognition with deep learning | |
Sun et al. | IRDCLNet: Instance segmentation of ship images based on interference reduction and dynamic contour learning in foggy scenes | |
CN114882204A (zh) | 船名自动识别方法 | |
CN110991374A (zh) | 一种基于rcnn的指纹奇异点检测方法 | |
CN114529821A (zh) | 一种基于机器视觉的海上风电安全监测与预警方法 | |
CN114898290A (zh) | 一种海上船舶实时检测方法及*** | |
He et al. | A novel image recognition algorithm of target identification for unmanned surface vehicles based on deep learning | |
CN111242114B (zh) | 文字识别方法及装置 | |
CN110334703B (zh) | 一种昼夜图像中的船舶检测和识别方法 | |
Li | A deep learning-based text detection and recognition approach for natural scenes | |
Li et al. | Incremental learning of infrared vehicle detection method based on SSD | |
CN112418229A (zh) | 一种基于深度学习的无人船海上场景图像实时分割方法 |
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 |