針對(duì)復(fù)雜水面環(huán)境下的船舶目標(biāo)檢測(cè)問題,運(yùn)用融合圖像顯著性的YOLOv3船舶目標(biāo)檢測(cè)改進(jìn)算法以提高檢測(cè)能力。該算法基于Darknet-53網(wǎng)絡(luò)模型,根據(jù)水上船舶特點(diǎn),融合非極大值抑制算法Soft-NMS和顯著性檢測(cè)算法FT思想,進(jìn)一步優(yōu)化最終檢測(cè)以達(dá)到更準(zhǔn)確的效果。用Soft-NMS算法替換原有NMS算法,使得算法對(duì)小目標(biāo)和重疊目標(biāo)檢測(cè)效果明顯提升。融入FT算法對(duì)船舶圖像局部細(xì)節(jié)作進(jìn)一步細(xì)化,使得包圍盒回歸更加準(zhǔn)確。在建立的數(shù)據(jù)集上進(jìn)行訓(xùn)練與測(cè)試,實(shí)驗(yàn)結(jié)果表明,改進(jìn)方法比原始方法準(zhǔn)確率提高4%,達(dá)97%,檢測(cè)速度提高10幀/s,達(dá)30幀/s,表明改進(jìn)算法有效提高了船舶目標(biāo)檢測(cè)精度,且加快了檢測(cè)速度。 

【文章來源】：軟件導(dǎo)刊. 2020,19(10)

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

NMS算法過程傳統(tǒng)非極大值抑制算法原理是：在檢測(cè)到的圖片中生

第10期果集D中。同時(shí)，大于設(shè)定重疊閾值Nt的部分：集合B中任何與檢測(cè)框M的重疊部分會(huì)被移除。非極大值抑制算法中將相鄰檢測(cè)框的分?jǐn)?shù)均強(qiáng)制歸零，這就是最大問題所在［18］。此時(shí)，如果重疊區(qū)域出現(xiàn)目標(biāo)，則存在目標(biāo)漏檢情況，甚至導(dǎo)致檢測(cè)失敗，從而降低了算法平均檢測(cè)率AP（AveragePrecision）。如圖4所示，本文在YOLOv3網(wǎng)絡(luò)中加入Soft-NMS算法。該算法是在非極大值抑制算法上作出改進(jìn)，設(shè)置了衰減函數(shù)，使得重疊部分相鄰檢測(cè)框的分?jǐn)?shù)不會(huì)置零。如果檢測(cè)框與M重疊部分較大，則得分低；如果檢測(cè)框與M重疊部分較小，則此部分原始得分不會(huì)發(fā)生改變。在標(biāo)準(zhǔn)數(shù)據(jù)集PASCALVOC2016和MS-COCO2018等標(biāo)準(zhǔn)數(shù)據(jù)集上，加入Soft-NMS的目標(biāo)檢測(cè)算法在目標(biāo)有重疊部分時(shí)檢測(cè)平均準(zhǔn)確率顯著提升。圖4算法流程傳統(tǒng)NMS方法可通過分?jǐn)?shù)重置函數(shù)（RescoringFunction）表達(dá)，如式（10）所示。si=ìísi,iou(),bi<Nt0,iou(),bi≥Nt（10）通過NMS設(shè)置的硬閾值判斷相鄰檢測(cè)框是否應(yīng)被保留。若檢測(cè)框bi與檢測(cè)框M高度重疊，易出現(xiàn)漏檢情況；若檢測(cè)框bi中所包含的目標(biāo)是不同于檢測(cè)框M中的目標(biāo)，則即使在檢測(cè)閾值較低情況下，該目標(biāo)也不會(huì)被漏檢；若檢測(cè)框bi中不包含任何目標(biāo)，則在衰減過后，會(huì)產(chǎn)生假陽(yáng)性效果并且檢測(cè)框bi的得分會(huì)很高。通過較低的NMS重疊閾值設(shè)置，以達(dá)到移除所有相鄰檢測(cè)框的效果，這種做法顯然不是最優(yōu)解，并且極易出現(xiàn)誤檢、漏檢等情況，尤其是在目標(biāo)高度重疊的部分［19］。Soft-NMS中的分?jǐn)?shù)重置函數(shù)：衰減與檢測(cè)框M有重疊相鄰檢測(cè)?

）所示。si=sie-iou()M,b12σ（12）如圖4所示，權(quán)重函數(shù)f（iou（M，bi））是基于檢測(cè)框的重疊程度。算法中每一步的復(fù)雜度用O(N)表示，表示圖片中有N個(gè)檢測(cè)框，Soft-NMS算法復(fù)雜度為O(N2)，與傳統(tǒng)NMS算法有一定相同之處。如圖5所示，相對(duì)于傳統(tǒng)NMS算法，Soft-NMS算法能夠提高模型檢測(cè)與分類效果，且不增加額外計(jì)算量。Soft-NMS對(duì)重疊和小目標(biāo)有較好檢測(cè)效果，能很好地融入本文算法，降低漏檢率，加快運(yùn)算速度。圖5Soft-NMS算法過程3訓(xùn)練算法檢測(cè)速率快慢、準(zhǔn)確率高低取決于數(shù)據(jù)集是否兼具數(shù)量與質(zhì)量。由于目前沒有公共的開源船舶數(shù)據(jù)庫(kù)，因此將小組成員制作的船舶數(shù)據(jù)集作為訓(xùn)練數(shù)據(jù)集。小組成員經(jīng)過省內(nèi)多地實(shí)地考察，最終選擇長(zhǎng)江作為數(shù)據(jù)采集地。采集20000張船舶目標(biāo)圖片，選取6000張多目標(biāo)圖片與3000張單目標(biāo)圖片，利用LabelImg工具進(jìn)行標(biāo)注，記錄船舶圖像左上右下位置及類別，生成xml格式［21］，本文將船舶類別分為3類，分別為“xunluochuan、kechuan、huochuan”。本文實(shí)驗(yàn)仿真環(huán)境：ThinkStation，內(nèi)存為128GB，GPU處理器為RTX2080Ti，軟件環(huán)境為Python3.7.3、VS2015、Opencv3.4.2、JetBrainsPyCharm2019.1.2、Anaconda3.4.1、CUDA10.0、CUDNNv7.1，TensorFlow1.2.1。本文選擇的特征提取網(wǎng)絡(luò)為Darknet-53，權(quán)重初始值是在通用目標(biāo)訓(xùn)練集上訓(xùn)練而來，具有一定普適性。本文選取的訓(xùn)練圖片為5000張，測(cè)試圖片為2000張，學(xué)習(xí)率為0.001，Momentum設(shè)置為0.9，WeightDecay設(shè)置為0.0005。陳連

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)型YOLO v3的蔬菜識(shí)別算法[J]. 魏宏彬,張端金,杜廣明,肖文福.  鄭州大學(xué)學(xué)報(bào)(工學(xué)版). 2020(02)
[2]基于改進(jìn)型YOLO算法的遙感圖像艦船檢測(cè)[J]. 王璽坤,姜宏旭,林珂玉.  北京航空航天大學(xué)學(xué)報(bào). 2020(06)
[3]改進(jìn)YOLOV3算法在行人識(shí)別中的應(yīng)用[J]. 葛雯,史正偉.  計(jì)算機(jī)工程與應(yīng)用. 2019(20)
[4]一種基于深度學(xué)習(xí)的夜間車流量檢測(cè)方法[J]. 張海玉,陳久紅.  軟件導(dǎo)刊. 2019(09)
[5]基于改進(jìn)Faster-RCNN模型的粘蟲板圖像昆蟲識(shí)別與計(jì)數(shù)[J]. 張銀松,趙銀娣,袁慕策.  中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào). 2019(05)
[6]基于深度學(xué)習(xí)的復(fù)雜背景雷達(dá)圖像多目標(biāo)檢測(cè)[J]. 周龍,韋素媛,崔忠馬,房嘉奇,楊小婷,楊龍.  系統(tǒng)工程與電子技術(shù). 2019(06)
[7]結(jié)合深度學(xué)習(xí)的多目標(biāo)跟蹤算法[J]. 王春艷,劉正熙.  現(xiàn)代計(jì)算機(jī)(專業(yè)版). 2019(06)
[8]基于改進(jìn)損失函數(shù)的YOLOv3網(wǎng)絡(luò)[J]. 呂鑠,蔡烜,馮瑞.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2019(02)
[9]嵌入SENet結(jié)構(gòu)的改進(jìn)YOLOV3目標(biāo)識(shí)別算法[J]. 劉學(xué)平,李玙乾,劉勵(lì),王哲,劉宇.  計(jì)算機(jī)工程. 2019(11)
[10]改進(jìn)的非極大值抑制算法的目標(biāo)檢測(cè)[J]. 趙文清,嚴(yán)海,邵緒強(qiáng).  中國(guó)圖象圖形學(xué)報(bào). 2018(11)

碩士論文
[1]艦船視覺系統(tǒng)�？斩嗄繕�(biāo)識(shí)別與跟蹤技術(shù)研究[D]. 李慧欣.哈爾濱工程大學(xué) 2019
[2]一個(gè)改進(jìn)的YOLOv3目標(biāo)識(shí)別算法研究[D]. 譚俊.華中科技大學(xué) 2018



本文編號(hào)：3441739