申请/专利权人：上海海事大学

申请日：2021-03-11

公开（公告）日：2024-04-05

公开（公告）号：CN113158787B

主分类号：G06V40/10

分类号：G06V40/10;G06V10/764;G06V10/44;G06V10/82;G06N3/0464;G06N3/08;G06V10/80

优先权：

专利状态码：有效-授权

法律状态：2024.04.05#授权;2021.08.10#实质审查的生效;2021.07.23#公开

摘要：本发明公开了一种复杂海洋环境下船舶检测分类方法，包括如下步骤：S1，通过对船舶样本的数据集训练得到深度卷积神经网络模型；S2，通过训练好的深度卷积神经网络模型对船舶的类别和位置信息进行预测；所述的深度卷积神经网络模型包括：主干特征提取网络，所述的主干特征提取网络包括不同尺度特征层；多尺度特征融合网络，其包括若干个多层特征融合模块和若干个多层感受野模块，所述的多层特征融合模块连接其中不同尺度的特征层；检测网络，其连接于多尺度特征融合网络。本发明相比于现有的基于深度学习的船舶检测算法，具有较高的检测精度，能够适合与复杂海洋环境下的船舶检测。

主权项：1.一种复杂海洋环境下船舶检测分类方法，其特征在于，包括如下步骤：S1，通过对船舶样本的数据集训练得到深度卷积神经网络模型；S2，通过训练好的深度卷积神经网络模型对船舶的类别和位置信息进行预测；所述的深度卷积神经网络模型包括：主干特征提取网络，所述的主干特征提取网络包括不同尺度特征层；多尺度特征融合网络，其包括若干个多层特征融合模块和若干个多层感受野模块，所述的多层特征融合模块连接其中不同尺度的特征层；检测网络，其连接于多尺度特征融合网络；所述的多层特征融合模块融合三个尺度特征层或四个尺度特征层；当所述的多层特征融合模块融合三个尺度特征层，所述多层特征融合模块输入为特征层F13×13、特征层F26×26和特征层F52×52，输出为F'26×26；所述多层特征融合模块通过第一级联单元CONCAT1和第二级联单元CONCAT2两个级联操作来融合多层特征，其中CONCAT1连接了当前特征层及通过金字塔池化结构、特征提取模块和2倍上采样的深层特征，CONCAT2则连接了CONCAT1出来后经过一次1×1的卷积的特征与通过下采样的浅层特征，该模块融合了三个不同尺度的特征层，输出F'26×26可用如下的公式表示：F′26×26＝[F13×13,F26×26,F52×52]；当所述的多层特征融合模块融合四个尺度特征层，所述多层特征融合模块输入为特征层F13×13、特征层F26×26、特征层F52×52和特征层F104×104，输出为F′52×52；所述多层特征融合模块通过第一级联单元CONCAT1和第二级联单元CONCAT2两个级联操作来融合多层特征；其中CONCAT1连接了经过多层特征融合模块和特征提取模块的深层特征以及连接当前特征层，CONCAT2则连接了三个不同尺度的特征层，分别为经过金字塔池化结构、特征提取模块和上采样操作的更深层特征、经过CONCAT1和卷积层Conv2D的当前特征以及通过最大池化操作的浅层特征，输出F′52×52可用如下的公式表示：F'52×52＝[F13×13,F26×26,F52×52,F104×104]；所述的数据集包括：不同背景环境、不同天气状况、白天和黑夜以及各种类别的船舶样本；采用两个用于目标检测任务的指标作为评估指标：平均精度mAP和每秒帧数FPS，计算公式如下： 式中TP为指对象本来为正样本，网络识别为正样本，FP为指对象本来为负例，网络识别为正样本，FN为对象本来为正样本，网络识别为负样本，因此TP+FP是检测到的所有船舶数量，TP+FN表示实际船舶总数。

全文数据：

权利要求：

百度查询： 上海海事大学 一种复杂海洋环境下船舶检测分类方法

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