[发明专利]一种基于深度学习的船舶目标识别检测方法

权利要求书

1.一种基于深度学习的船舶目标识别检测方法，其特征在于，包括如下步骤：

(1)采集船舶航行水域的图像样本；

(2)对图像进行预处理及标注；

(3)进行数据增强，制作用于训练的数据集；

(4)基于YOLOv4网络构建深度学习网络模型；

(5)使用预训练的参数作为初始权重，训练深度学习网络；

(6)将处理后的待检测图片输入骨干网络进行特征提取，经过颈部网络进行特征融合，并进行非极大值抑制操作，完成对船舶目标的预测；

(7)进行输出后处理，使用置信度阈值进行结果过滤，结合其他指标判断得到最优的检测结果。

2.根据权利要求1所述的基于深度学习的船舶目标识别检测方法，其特征在于，所述步骤(2)中，对采集的图像使用LabelImage进行至少以下五种海面目标的标注：散货船、集装箱船、渔船、游轮、岛屿。

3.根据权利要求1所述的基于深度学习的船舶目标识别检测方法，其特征在于，所述步骤(3)中，使用Mosaic数据增强的方法制作用于训练的数据集，采用4张图片一组，随机缩放、随机裁剪、随机排布的方式进行拼接，得到新的4张图像，使其输入总数不变，并对得到的新的图像采取随机遮挡。

4.根据权利要求3所述的基于深度学习的船舶目标识别检测方法，其特征在于，所述步骤(4)中，所述深度学习网络模型包括骨干特征提取网络、SPP结构、PANet多路径特征融合结构和Head检测头结构；所述骨干特征提取网络使用尺寸为640*640的RGB图像作为输入，经过卷积、Batch Normalization和Mish激活函数后，再通过尺寸分别为(320，320，64)，(160，160，128)，(80，80，256)，(40，40，512)，(20，20，1024)的残差块结构；进行特征提取后，最后一个残差块的输出经过SPP结构，拼接后将经过CSP与CBL结构的结果与主干网络倒数第二和倒数第三个残差块的输出结果一起作为PANet结构的输入；所述PANet结构，进行一系列的上采样、下采样和卷积操作，并将三个输入进行多路径特征融合处理，然后输入Head；所述Head将输出解码前船舶的目标坐标信息，包括目标框横坐标x、目标框纵坐标y、目标框宽w及目标框高h，分类置信度和目标有无置信度。

5.根据权利要求1所述的基于深度学习的船舶目标识别检测方法，其特征在于，所述步骤(5)中，引入自适应锚框计算模块，在训练的过程中自动计算锚框，网络在初始锚框的基础上输出预测框，进而和真实框进行比对，计算两者差距，再反向更新，迭代网络参数。

6.根据权利要求1所述的基于深度学习的船舶目标识别检测方法，其特征在于，步骤(6)中所述骨干网络为Darknet-53，在Darknet-53中将特征注意模块FA嵌入调整后的残差结构中，对特征通道关系中的特征权重进行重新分配，在全局平均池化前加入1×1和3×3的卷积，实现跨通道信息集成，增强船舶图像的空间连通能力；然后，通过全局平均池化，将特征图的全局空间信息转化为一维向量求和，得到特征图的全局信息。

7.根据权利要求6所述的基于深度学习的船舶目标识别检测方法，其特征在于，所述全局平均池化公式如下:

其中，Gc为特征图全局平均池化后的向量和，H和W为输入特征图的宽度和高度，Uc(i,j)为第c通道Uc在(i,j)处的值。