原文传递
基于改进Faster--RCNN的内河船舶目标检测算法研究
| 论文题名： | 基于改进Faster--RCNN的内河船舶目标检测算法研究 |
| 关键词： | 船舶目标检测;Faster-RCNN;注意力机制;多尺度特征融合;特征增强RPN |
| 摘要： | 内河船舶检测技术在船舶流量管理、船舶识别以及保障内河航运安全等任务中广泛应用。随着深度学习的发展，基于深度学习的目标检测算法已经成为船舶检测的重要方法。在内河船舶目标检测任务中，内河水面环境复杂，船舶尺寸差异大、船舶目标模糊以及相互遮挡，这些严重制约了船舶检测的准确率。对此，本文开展了基于改进Faster-RCNN内河船舶目标检测算法研究，主要研究内容如下: (1)首先，针对内河船舶目标检测任务中的难点，提出了一个船舶目标检测方案，其次研究分析了制约船舶检测精度的主要因素，然后在此基础上，研究分析了SSD、Faster-RCNN和YOLOv3在船舶检测任务上的精度性能，最后选取Faster-RCNN为内河船舶目标检测的基础算法。 (2)在分析制约船舶检测精度的主要因素之后，得知数据集因素是影响船舶检测精度的重要因素。首先在开源Seaship7000数据集的基础上，进行船舶类别扩充，扩充船舶类别至8个，并手工标注8190个船舶目标，其次针对运动模糊造成低质量船舶图像的问题，采用深度学习去模糊的方法，提升船舶图像质量，然后针对船舶数据分布不均、场景单一化的问题，分别采取不同的方法进行数据增强处理，以提高模型的泛化能力，最后考虑到船舶尺寸差异大，传统固定的锚框大小不能很好匹配船舶数据，通过K-Means聚类算法重新设计了锚框大小。 (3)针对传统Faster-RCNN处理多尺度船舶目标存在的问题和缺陷，重点研究了多尺度船舶特征融合网络设计和特征增强RPN网络设计。首先，将改进的注意力机制嵌入到ResNet50中，然后在此基础上，特地将提出的新型多尺度特征融合模型与ResNet50网络结合进行特征提取，加强了每层网络特征图语义信息相互融合。为进一步提升Faster-RCNN在船舶检测任务中的精度，将提出的特征增强RPN网络代替传统RPN网络、设计的新型锚框尺寸代替传统固定尺寸以及引入CIoU损失函数和Softer-NMS算法。经实验结果表明，本文提出的方法能够实现多尺度船舶目标的精确检测，在扩充的Seaship7000数据集上取得了92.22％的识别率，相比原始算法在精度上提升了16.93％。 （4）对本文方法在内河船舶目标检测性能上进行评价。首先与传统Faster-RCNN算法和其它船舶目标检测算法在船舶目标检测上的准确率进行对比分析，经实验结果表明:本文方法的船舶识别率比YOLOv4高出10.22％,具备较高的精度。然后通过消融实验分析了本文方法各网络分支对整个网络的影响，经实验结果表明本文方法在Faster-RCNN基础上改进的合理性和有效性。最后基于PyTorch深度学习框架，设计了内河船舶目标智能检测交互界面，实现了船舶目标检测的可视化操作。 |
| 作者： | 江林生 |
| 专业： | 电子信息 |
| 导师： | 梁文海;王洪 |
| 授予学位： | 硕士 |
| 授予学位单位： | 四川师范大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
