申请/专利权人：江苏科技大学

申请日：2023-12-08

公开（公告）日：2024-04-09

公开（公告）号：CN117854036A

主分类号：G06V20/58

分类号：G06V20/58;G06V10/762;G06V10/82;G06N3/0464;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.26#实质审查的生效;2024.04.09#公开

摘要：本发明公开了一种基于改进YOLOv3的水面障碍物检测方法，包括：采集水面障碍物图像并获取数据集；对数据集进行加雾加雨数据增强处理；对数据集使用K‑means++聚类算法进行优化以获得新的锚框；对原YOLOv3进行特征提取网络结构改进，获得轻量化检测模型：对主干网络残差结构优化，将普通卷积层替换成深度可分离卷积；在残差结构中引入SimAM注意力模块；引入SIoU预测框损失函数，重新定义惩罚比；利用数据集对改进的YOLOv3模型进行训练，得到最好权重文件，并对测试集图像分类和定位。本发明可有效解决无人艇自主航行中对水面常见障碍物检测精度不够、模型参数量较大、模型复杂难以应用于嵌入式设备的问题。

主权项：1.一种基于改进YOLOv3的水面障碍物检测方法，其特征在于，包括以下步骤：步骤1.采集常见水面障碍物图像，获取由船舶、礁石、浮标组成的水面障碍物数据集；步骤2.对水面障碍物数据集进行加雾加雨数据增强处理；步骤3.对水面障碍物数据集使用K-means++聚类算法进行优化锚框，获得新的锚框；步骤4.针对水面障碍物的检测任务对原YOLOv3模型进行特征提取网络结构的改进，获得轻量化的检测模型：对主干网络中的残差结构进行优化，将其中的普通卷积层替换成深度可分离卷积，在保证不同通道之间的信息融合的同时，减少特征提取网络的参数量与计算量；为了弥补深度可分离卷积替换普通卷积带来的部分精度损失，以提高网络专注度，在残差结构中引入SimAM注意力模块，从而轻量化YOLOv3目标检测模型，提升检测精度与训练速度；步骤5.引入SIoU预测框损失函数，重新定义惩罚比；步骤6.经过步骤4和5得到改进的YOLOv3模型，利用水面障碍物数据集对改进的YOLOv3模型进行训练，得到最好的权重文件best.pt，并对测试集中的图像进行分类和定位；所述步骤1包括：1.1通过相机采集和网络收集水面障碍物数据集，所收集的数据集图像均来自现实中的场景；1.2对水面障碍物数据集进行手动清洗、删除重复、模糊、格式错误的数据集图像，最终得到包含船舶、礁石、浮标的水面障碍物数据集。

全文数据：

权利要求：

百度查询： 江苏科技大学 一种基于改进YOLOv3的水面障碍物检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD