原文传递
复杂环境下的海上小目标检测算法研究
| 论文题名： | 复杂环境下的海上小目标检测算法研究 |
| 关键词： | 海上救援;目标图像;特征提取;小目标检测算法;复杂环境 |
| 摘要： | 海洋航运是全球贸易的重要组成部分，海上运输占全球货物贸易的80%以上。由于海洋活动频繁，海上事故时有发生，对国家的发展带来了严重的负面影响，不仅经济上造成了巨大损失，还对船员生命安全造成威胁。近年来，随着计算机算力不断提高，深度学习也得以加速发展。将基于深度学习的目标检测算法应用于海上漂浮物检测和海上救援，不仅可以节约人力物力，同时也能提高效率，对保障海上安全起着重要的作用。 然而，由于海上天气复杂多变，且无人机等设备拍摄的海上图像目标尺度大多偏小，这对检测算法提出了更高的要求，现有的目标检测算法很难取得满意的效果。针对以上问题，本文将研究复杂环境下的海上小目标检测算法，考虑到设备实际部署的要求，提出了两种高效的检测算法。本文研究工作如下： （1）针对当前海上目标检测公开数据集缺乏的问题，本文通过拍摄和收集等方式获取海上目标图像，手动标注并与从公开数据集中提取的部分图像混合，制作海上目标数据集。通过本文自制的数据集，可以有效地检验算法在实际海上场景中的性能表现。 （2）实际海洋环境中可能出现雾天、黑夜等复杂场景，这些因素会干扰检测模型的准确性。为了解决这个问题，本文在训练过程中增加图像预处理模块，并将预处理前后的图像一起输入主干网络训练，提高检测模型的鲁棒性。这一策略可以有效提高检测模型的性能。 （3）特征提取和特征融合是目标检测中非常关键的步骤，也是提高检测模型性能的重要手段。考虑到无人机等设备拍摄的海上图像目标尺度大多偏小，本文对特征提取网络进行优化，以减小细粒度特征的丢失。此外，在特征提取过程中，随着网络深度的加深，特征层会提取到更多的语义信息，但会丢失位置信息，特征融合网络对不同层级的特征层进行融合，使得融合后的特征层同时具备丰富的语义信息和位置信息。为了适应海上场景，本文对基准模型的特征融合网络进行改进，进一步提高模型的检测性能。基于以上改进，本文提出SRB-YOLO检测算法，精度提升大约7个百分点。 （4）对于无人机等终端设备，由于其内部存储空间和芯片计算能力有限，常见的检测模型难以部署。为了解决这一问题，本文采用了轻量化模型构建方法，通过调整基准模型的宽度来减小参数量，并且结合知识蒸馏、通道剪枝等技术进一步压缩模型。同时，为了减小模型压缩造成的精度损失，在轻量化模型中加入注意力机制。本文基于通道剪枝提出的Slim-YOLO模型，参数量仅占YOLOv5s的8.7%，但是具有更高的检测精度。该轻量化模型可以在终端设备上实时运行，具有很高的实用价值。 |
| 作者： | 孙钱涛 |
| 专业： | 目标检测 |
| 导师： | 张义红;王寒 |
| 授予学位： | 硕士 |
| 授予学位单位： | 东华大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
