針對遙感圖像中的油罐檢測問題,借鑒深度神經網絡的思想,提出了一種基于改進YOLOV3算法的圖像檢測方法。首先在原有YOLOV3算法框架中添加空間變換網絡（spatial transformer networks,STN）,使其成為具備空間變換學習能力的模型;然后通過k-means聚類算法對數據集進行分析,重新設計初始候選框大小;最后訓練和測試網絡,建立包含9 724個油罐目標的遙感圖像數據集。實驗結果表明:改進的YOLOV3算法具有良好的性能,在測試集中的召回率可達到95.64%,比原算法提升了3.52%;準確率可達到93.92%,比原算法提升了2.81%。 

【文章來源】：中國科技論文. 2020,15(03)北大核心

【文章頁數】：7 頁

【部分圖文】：

STN結構

YOLO檢測模型

YOLOV3算法網絡參數

【參考文獻】：
期刊論文
[1]遙感圖像分類方法綜述[J]. 張裕,楊海濤,袁春慧.  兵器裝備工程學報. 2018(08)
[2]基于深度學習的醫(yī)學計算機輔助檢測方法研究[J]. 陶攀,付忠良,朱鍇,王莉莉.  生物醫(yī)學工程學雜志. 2018(03)
[3]機載LiDAR與高分2號融合的城鎮(zhèn)地物分類研究[J]. 劉茂華,李如仁,王巖,馬志新.  中國科技論文. 2018(09)
[4]基于卷積神經網絡的光學遙感圖像目標檢測[J]. 盧藝帆,張松海.  中國科技論文. 2017(14)
[5]基于卷積神經網絡的目標檢測研究綜述[J]. 李旭冬,葉茂,李濤.  計算機應用研究. 2017(10)
[6]基于加權模糊Petri網的電網分層故障診斷方法[J]. 程學珍,林曉曉,朱春華,陳強.  山東科技大學學報(自然科學版). 2017(01)
[7]基于似圓陰影的光學遙感圖像油罐檢測[J]. 李軒,劉云清.  電子與信息學報. 2016(06)
[8]原油罐沸溢火災發(fā)展階段及沸溢發(fā)生時間試驗研究[J]. 孔得朋,劉鵬翔,陳國明,平平,張辛.  中國安全科學學報. 2016(02)



本文編號：3400389