發(fā)布時間：2021-07-31 15:54

　　文中針對智能船舶視覺傳感器采集到的圖像進行目標檢測,提出基于YOLOv3-tiny的深度卷積神經(jīng)網(wǎng)絡(luò)圖像細粒度檢測方法.該方法使用實驗團隊建立的船舶圖像數(shù)據(jù)庫,對圖片進行人工標注,使用k-means算法對數(shù)據(jù)集錨框進行聚類,采用數(shù)據(jù)增強策略的YOLOv3-tiny深度卷積神經(jīng)網(wǎng)絡(luò)對船舶圖像進行訓練與測試.實驗結(jié)果表明:本文提出的改進YOLOv3-tiny模型在測試集上的平均精度達到了62.85%,實時檢測幀率達到了136幀/s,可以輔助船舶駕駛?cè)藛T識別水面目標. 

【文章來源】：武漢理工大學學報(交通科學與工程版). 2020,44(06)

【文章頁數(shù)】：6 頁

【部分圖文】：

YOLO算法流程圖

式中:P為查準率;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7層的卷積層和池化層網(wǎng)絡(luò)來提取特征,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個通道,輸出13×13的特征圖,75個通道,在此基礎(chǔ)上進行分類和回歸.大尺度YOLO層的是將14層的13×13、256通道的特征圖進行卷積操作,生成13×13、128通道的特征圖,然后進行上采樣生成26×26、128通道的特征圖,同時與第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)上進行分類和位置回歸.3 自適應(yīng)錨框聚類

【參考文獻】：
期刊論文
[1]基于深度學習的水面無人船前方船只圖像識別方法[J]. 王貴槐,謝朔,初秀民,洛天驕.  船舶工程. 2018(04)
[2]反艦可見光彈對水面目標的邊緣檢測算法[J]. 劉宗昂,楊莘元,張維義.  系統(tǒng)仿真學報. 2009(07)
[3]基于小波分析的SAR圖像船舶目標檢測[J]. 張風麗,吳炳方,張磊.  計算機工程. 2007(06)

博士論文
[1]基于光視覺的無人艇水面目標檢測與跟蹤研究[D]. 曾文靜.哈爾濱工程大學 2013

碩士論文
[1]水面目標檢測與識別算法研究[D]. 李暢.華中科技大學 2016
[2]水面無人艇視覺目標圖像識別技術(shù)研究[D]. 張伊輝.哈爾濱工程大學 2015



本文編號：3313754