原文传递
基于深度学习的船舶小目标实时检测
| 论文题名： | 基于深度学习的船舶小目标实时检测 |
| 关键词： | 海域管理;船舶小目标检测;注意力机制;数据增强;轻量化网络 |
| 摘要： | 随着我国航运业的不断发展，海域船舶流量迅猛增长，而相应的问题也层出不穷，例如海上非法捕鱼、海盗行为、贩毒、非法货物运输以及海上事故救援不及时等。因此，对某些海域进行监控来实现海域的管理就非常有必要。目前，海域管理中船舶检测必须依靠船只巡航的方式，这种方式不仅耗费人力、物力和财力，而且效率非常低。传统的船舶检测方法以常规船舶的目标检测为主，该方法难以满足海上复杂的场景要求，对于远距离的船舶目标难以检测，从而增加了海域管理的难度；并且，传统船舶检测算法的实时性有待提高。本文提出一种结合注意力机制和数据增强的轻量化船舶检测算法，形成一套实时监测系统，将有效提高船舶小目标检测算法的精度和实时性，对我国的海洋管理具有重要的理论意义和应用价值。本文主要工作如下： （1）通过网络爬取、图像合成等技术，扩大数据集的规模，建立起船舶小目标数据集，包含了晴天、雾天和目标被遮挡等多个场景，并且根据检测需求进行船舶目标的标注。 （2）针对远距离船舶特征信息弱，难以识别的问题。本文提出基于CA注意力机制的船舶目标识别。在Backbone中插入注意力模块，加强顶层特征信息的提取，保证小目标的特征信息受到更多关注，并且这种注意力机制能与原始Yolov5s结构完美的结合得到模型 CA-Yolov5，实验证明优化后模型的精度提高了 2.2%。接着对CA-Yolov5进行在线数据增强的改进，添加MixUp和Copy-Paste数据增强得到CA+-Yolov5，达到丰富数据集质量的要求，增强后算法精度得到了0.4%提高。 （3）借鉴GhostNet的思想，采用改进的C3Ghost模块和 GhostConv卷积对网络进行轻量化处理，优化模型的体积，使其更能满足边缘设备的部署要求。以前面改进得到的 CA+-Yolov5 网络模型为基础模型，采用 C3Ghost 模块替换原有的C3模块，以全新的GhostConv替换Backbone结构中的原有卷积，形成CG-Yolov5网络模型。实验证明，采用 CG-Yolov5 轻量化检测模型，能在牺牲较小精度的同时能大大降低模型的参数量，同传统的Yolov5s模型相比，CG-Yolov5模型准确度达到了95.9%。 （4）结合船舶管理高效可靠的需求，基于pyqt5设计了一款针对船舶目标的检测平台，可以实现图片、视频和实时检测，得到了较好的效果，为后期开发相关应用打下坚实基础。 |
| 作者： | 胡海军 |
| 专业： | 机械 |
| 导师： | 谭家万 |
| 授予学位： | 硕士 |
| 授予学位单位： | 重庆交通大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
