文中針對(duì)智能船舶視覺(jué)傳感器采集到的圖像進(jìn)行目標(biāo)檢測(cè),提出基于YOLOv3-tiny的深度卷積神經(jīng)網(wǎng)絡(luò)圖像細(xì)粒度檢測(cè)方法.該方法使用實(shí)驗(yàn)團(tuán)隊(duì)建立的船舶圖像數(shù)據(jù)庫(kù),對(duì)圖片進(jìn)行人工標(biāo)注,使用k-means算法對(duì)數(shù)據(jù)集錨框進(jìn)行聚類(lèi),采用數(shù)據(jù)增強(qiáng)策略的YOLOv3-tiny深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)船舶圖像進(jìn)行訓(xùn)練與測(cè)試.實(shí)驗(yàn)結(jié)果表明:本文提出的改進(jìn)YOLOv3-tiny模型在測(cè)試集上的平均精度達(dá)到了62.85%,實(shí)時(shí)檢測(cè)幀率達(dá)到了136幀/s,可以輔助船舶駕駛?cè)藛T識(shí)別水面目標(biāo). 

【文章來(lái)源】：武漢理工大學(xué)學(xué)報(bào)(交通科學(xué)與工程版). 2020,44(06)

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

YOLO算法流程圖

式中:P為查準(zhǔn)率;R為召回率;F1為F度量值;TP,FP和FN分別為真正例、假正例,以及假反例數(shù)量;P(k)為閾值k處的精度;ΔR(k)為召回量的變化.2 YOLOv3-tiny的網(wǎng)絡(luò)結(jié)構(gòu)

YOLOv3-tiny采用的骨干網(wǎng)絡(luò)類(lèi)似于YOLOv3中darknet-19的網(wǎng)絡(luò)結(jié)構(gòu),主干網(wǎng)絡(luò)采用一個(gè)7層的卷積層和池化層網(wǎng)絡(luò)來(lái)提取特征,嫁接網(wǎng)絡(luò)采用的是13×13、26×26的分辨率網(wǎng)絡(luò),這兩個(gè)分辨率網(wǎng)絡(luò)分別表示小尺度YOLO層和大尺度YOLO層.小尺度的YOLO層輸入13×13的特征圖,一共1 024個(gè)通道,輸出13×13的特征圖,75個(gè)通道,在此基礎(chǔ)上進(jìn)行分類(lèi)和回歸.大尺度YOLO層的是將14層的13×13、256通道的特征圖進(jìn)行卷積操作,生成13×13、128通道的特征圖,然后進(jìn)行上采樣生成26×26、128通道的特征圖,同時(shí)與第9層的26×26、256通道的特征圖合并最終輸出26×26、75通道的特征圖,在此基礎(chǔ)上進(jìn)行分類(lèi)和位置回歸.3 自適應(yīng)錨框聚類(lèi)

【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的水面無(wú)人船前方船只圖像識(shí)別方法[J]. 王貴槐,謝朔,初秀民,洛天驕.  船舶工程. 2018(04)
[2]反艦可見(jiàn)光彈對(duì)水面目標(biāo)的邊緣檢測(cè)算法[J]. 劉宗昂,楊莘元,張維義.  系統(tǒng)仿真學(xué)報(bào). 2009(07)
[3]基于小波分析的SAR圖像船舶目標(biāo)檢測(cè)[J]. 張風(fēng)麗,吳炳方,張磊.  計(jì)算機(jī)工程. 2007(06)

博士論文
[1]基于光視覺(jué)的無(wú)人艇水面目標(biāo)檢測(cè)與跟蹤研究[D]. 曾文靜.哈爾濱工程大學(xué) 2013

碩士論文
[1]水面目標(biāo)檢測(cè)與識(shí)別算法研究[D]. 李暢.華中科技大學(xué) 2016
[2]水面無(wú)人艇視覺(jué)目標(biāo)圖像識(shí)別技術(shù)研究[D]. 張伊輝.哈爾濱工程大學(xué) 2015



本文編號(hào)：3313754