[发明专利]一种基于深度学习的卫星图像中船舶识别与分割方法

说明书

本发明涉及一种基于深度学习的卫星图像中船舶识别与分割方法，该方法基于改进的Xception和改进的U‑Net网络，对海面上航行的船只进行监测，实现对于船舶的识别和图像分割，得到关于船舶的预警和图像信息，所述的方法具有以下步骤：步骤1)采集数据；步骤2)数据集增强；步骤3)标记图片；步骤4)进行卫星图像中的船舶识别；步骤5)进行船舶图像语义分割；步骤6)实时进行船舶的自动识别和监测。与现有技术相比，本发明具有可以节省人力和巡逻成本等，同时减少可能由于人为因素造成的识别错误的问题等优点。

技术领域

本发明涉及计算机视觉领域，尤其是涉及一种基于深度学习的卫星图像中船舶识别与分割方法。

背景技术

目前随着人类对海洋的掌握和逐渐开发利用，海洋对于人类整体的重要性愈发增强。而利用海洋的重要前提之一就是对海洋进行监测和管控，而在对海洋监测时最重要的任务就是对在海上航行的船舶进行监测。虽然巡逻系统和雷达系统、监控系统的存在一定程度上缓解了这个问题，但巡逻系统的成本过高；雷达系统受船只数量、海况影响较大；视频监控系统在天气状况差和离岸较远时效果不佳。

为了弥补已有方法的不足，更好地满足实际使用中的需求，在深度学习的方法日趋成熟，应用领域愈加广泛的背景下，对于船舶进行无人化、智能化的图像识别和图像分割成为现实，经过检索中国专利公开号CN 111738112A公开了一种基于深度神经网络和自注意力机制的遥感船舶图像目标检测方法，该方法首先对数据集进行预处理，提高了模型的泛化能力；然后将数据输入特征提取网络提取特征；为了实现对长宽比大的遥感船舶的检测，在RPN阶段，重新设置多角度的锚点框，获得“旋转边界框”；修改NMS算法，根据船只之间的角度相似关系通过循环神经网络融合自注意力机制输出重新计分的置信度，使候选区域的筛选更加准确；最后将预测框送入Fast R-CNN网络，对候选区域中目标的类别进行分类和对目标的坐标进行回归。但是该方法存在以下缺陷：

1)self-attention机制需要针对向量化后序列的任意两个元素间计算相似度，极大地增大了算法的时间和空间复杂度，也使得self-attention机制无法处理向量化后较长的序列，故此方法无法处理尺寸较大的图像。

2)self-attention机制需要耗费大量计算和内存，在图像尺寸非极小情况下速度较慢。

3)经过Fast R-CNN得到的目标检测结果得到的对应检测框，包含了图片中船只周围的无用图像信息，加大了噪声比例，不利于图像后续的其他应用。

4)需要的标注信息较复杂，包括锚点坐标和角度参数等，加大了标注难度和前期工作量。

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深度学习的卫星图像中船舶识别与分割方法。

本发明的目的可以通过以下技术方案来实现：

根据本发明的一个方面，提供了一种基于深度学习的卫星图像中船舶识别与分割方法，该方法基于改进的Xception和改进的U-Net网络，对海面上航行的船只进行监测，实现对于船舶的识别和图像分割，得到关于船舶的预警和图像信息，有助于分析海域情况，有助于更精准的海面监测，有效打击违法走私船和渔船违法捕捞等行为，所述的方法具有以下步骤：

步骤1)采集数据；

步骤2)数据集增强；

步骤3)标记图片；

步骤4)进行卫星图像中的船舶识别；

步骤5)进行船舶图像语义分割；

步骤6)实时进行船舶的自动识别和监测。

作为优选的技术方案，所述的步骤1)采集数据具体为：