本发明专利技术涉及智能识别技术领域，具体涉及一种基于Faster RCNN的船只检测方法、装置及电子设备。包括：获取多张船只图片，构成船只数据集；对船只数据集进行预处理，并对船只数据进行标注，输出标注结果；把第一船只数据输入预设训练模型中进行训练，以获得检测模型；通过把第二船只数据输入检测模型中，输出船只检测结果。利用Faster RCNN网络搭建训练模型，并对船只数据进行检测；在往训练好的检测模型中输入视频影像拆解的数据画面，并对画面中的存在的船只进行识别和定位，通过深度学习的方法以实现智能化检测，从而提高船只检测效率，并且减少漏检概率。
A ship detection method, device and electronic equipment based on fast RCNN
【技术实现步骤摘要】
一种基于FasterRCNN的船只检测方法、装置及电子设备
本专利技术涉及智能识别
，具体涉及一种基于FasterRCNN的船只检测方法、装置及电子设备。
技术介绍
在现代社会中，船只检查是保障海防安全，维护港口治安秩序，及时发现偷渡、走私等违法犯罪，纠正违章行为的重要措施。而船检的主要对象为个体船和外来船，无名无号的船，有搭客现象或不抛锚的船，有可疑迹象的船，不符合气候、潮汐规律行驶的船，违规及夜间进港的船等。在现有技术中，主要是采取白天检查和夜间检查相结合，重点检查与一般检查相结合，例如：边防派出所或边防工作站要坚持每天对停港船舶进行观察；在繁忙的港口要实施定期或不定期船检，遇敌情通报或重大情况要随时组织检查；重大节日或鱼汛期间要有计划开展集中检查。然而采取的人工观测的方式对行驶船只进行检测不仅大量耗费人力且检测效率不高，还存在漏检的可能。
技术实现思路
有鉴于此，本专利技术实施例提供了一种船只检测方法、装置及电子设备，以解决利用人工对船只进行检测时存在的检测效率不高，并存在漏检的问题。根据第一方面，本专利技术实施例提供了一种基于FasterRCNN的船只检测方法，包括：获取多张船只图片，构成船只数据集；对所述船只数据集进行预处理，并对船只数据进行标注，输出标注结果；其中，所述标注结果包括：第一船只数据和第二船只数据；把所述第一船只数据输入预设训练模型中进行训练，以获得检测模型；通过把所述第二船只数据输入所述检测模型中，输出船只检测结果；其中，所述船只检测结果包括：所检测的船只类型数据和船只位置数据。利用FasterRCNN网络搭建训练模型，并对船只数据进行检测；在往训练好的检测模型中输入视频影像拆解的数据画面，并对画面中的存在的船只进行识别和定位，通过深度学习的方法以实现智能化检测，从而提高船只检测效率，并且减少漏检概率。结合第一方面，在第一方面第一实施方式中，船只数据集包括采集沿海区域的监控视频数据帧保存为图片格式的图片集合，其中，图片集合包括不同大小和形状的船只。结合第一方面，在第一方面第二实施方式中，船只数据集进行预处理，包括：对所述船只数据集进行图像灰度化、图像降噪和图像变换。通过对船只数据进行预处理，以突出图像的特征，便于后续进行特征提取。结合第一方面，在第一方面第三实施方式中，第一船只数据输入预设训练模型中进行训练，以获得检测模型，包括：采用FasterRCNN网络模型，并在训练过程对学习率和最大迭代次数进行设置。通过调整学习率和最大迭代次数，进而能够调整训练模型的准确度，因此通过使用最大迭代次数保证所训练出的模型的识别精度。结合第一方面，在第一方面第四实施方式中，FasterRCNN网络模型包括：将所述第一船只数据输入CNN网络，以获得船只特征信息；在将船只特征信息输入RPN网络，以获得候选框的特征信息；利用分类器对所述候选框的特征信息进行判断分类，输出分类结果。通过使用FasterRCNN网络模型,以保证能够获得高效识别海上船只，提高识别效率。结合第一方面，在第一方面第五实施方式中，利用分类器对所述候选框的特征信息进行判断分类，包括：获取所述候选框的特征信息，将所述候选框的特征信息划分为第一特征信息和第二特征信息；通过分类算法对第一特征信息进行训练，生成分类模型；利用所获得的分类模型对第二样本进行测试，输出分类结果。通过分类器进行特征分类，以减少重复检测，同时能够进一步确定船只数据。根据第二方面，本专利技术实施例提供了一种基于FasterRCNN的船只检测装置，包括：获取模块，用于获取多张船只图片，构成船只数据集；预处理模块，用于对所述船只数据集进行预处理，并对船只数据进行标注，输出标注结果；训练模块，用于把所述第一船只数据输入预设训练模型中进行训练，以获得检测模型；检测输出模块，用于通过把所述第二船只数据输入所述检测模型中，输出船只检测结果。根据第三方面，本专利技术实施例提供了一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面或者第一方面的任意一种实施方式中所述的基于FasterRCNN的船只检测方法。根据第四方面，本专利技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行第一方面或者第一方面的任意一种实施方式中所述的基于FasterRCNN的船只检测方法。附图说明通过参考附图会更加清楚的理解本专利技术的特征和优点，附图是示意性的而不应理解为对本专利技术进行任何限制，在附图中：图1是根据本专利技术实施例的一种基于FasterRCNN的船只检测方法的流程图；图2是根据本专利技术实施例的一种基于FasterRCNN的船只检测方法的建模流程图；图3是根据本专利技术实施例的一种基于FasterRCNN的船只检测装置的结构框图；图4是本专利技术实施例提供的一种电子设备的硬件结构示意图。附图标记10-获取模块；20-预处理模块；30-训练模块；40-检测输出模块；401-处理器；402-总线；403-通信接口；404-存储器。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术实施例提供了一种基于FasterRCNN的船只检测方法，如图1所示，包括：S10，获取多张船只图片，构成船只数据集；利用无人机以及监控摄像头对海上船只进行监控，并获取摄像头拍摄的监控画面，其中多帧船只监控画面组合成船只数据集。S20，对所述船只数据集进行预处理，并对船只数据进行标注，输出标注结果；其中，所述标注结果包括：第一船只数据和第二船只数据；通过标注软件对船只数据进行标注，其中，第一船只数据可以是训练模型所用的数据，第二船只数据可以需要进行检测的测试数据，第一船只数据和第二船只数据均为图片。S30，把所述第一船只数据输入预设训练模型中进行训练，以获得检测模型；其中预设训练模型可以是通过深度学习网络搭建的训练模型，例如：CNN网络。S40，通过把所述第二船只数据输入所述检测模型中，输出船只检测结果；其中，所述船只检测结果包括：所检测的船只类型数据和船只位置数据。利用FasterRCNN网络搭建训练模型，并对船只数据进行检测；在向训练好的检测模型中输入视频影像拆解的数据画面，并对画面中的存在的船只进行识别和定位，通过深度学习的方法以实现智能化检测，从而提高船只检测效率，并且减少漏检概率。其中，对第一本文档来自技高网...
【技术保护点】
1.一种基于Faster RCNN的船只检测方法，其特征在于，包括：/n获取多张船只图片，构成船只数据集；/n对所述船只数据集进行预处理，并对船只数据进行标注，输出标注结果；其中，所述标注结果包括：第一船只数据和第二船只数据；/n把所述第一船只数据输入预设训练模型中进行训练，以获得检测模型；/n通过把所述第二船只数据输入所述检测模型中，输出船只检测结果；其中，所述船只检测结果包括：检测的船只类型数据和船只位置数据。/n
【技术特征摘要】
1.一种基于FasterRCNN的船只检测方法，其特征在于，包括：
获取多张船只图片，构成船只数据集；
对所述船只数据集进行预处理，并对船只数据进行标注，输出标注结果；其中，所述标注结果包括：第一船只数据和第二船只数据；
把所述第一船只数据输入预设训练模型中进行训练，以获得检测模型；
通过把所述第二船只数据输入所述检测模型中，输出船只检测结果；其中，所述船只检测结果包括：检测的船只类型数据和船只位置数据。
2.根据权利要求1所述的方法，其特征在于，所述船只数据集包括把所采集的沿海区域监控视频数据帧保存为图片格式的图片集合，其中，所述图片集合包括不同大小和形状的船只图像。
3.根据权利要求1所述的方法，其特征在于，所述对所述船只数据集进行预处理，包括：对所述船只数据集进行图像灰度化、图像降噪和图像变换。
4.根据权利要求1所述的方法，其特征在于，所述把所述第一船只数据输入预设训练模型中进行训练，以获得检测模型，包括：
采用FasterRCNN网络模型，并在训练过程对学习率和最大迭代次数进行设置。
5.根据权利要求4所述的方法，其特征在于，所述FasterRCNN网络模型包括：
将所述第一船只数据输入CNN网络，以获得船只特征信息；
在将船只特征信息输入RPN网络，以获得候选框的特征信息；
利用分类...
【专利技术属性】
技术研发人员：邓练兵，薛剑，邹纪升，
申请(专利权)人：珠海大横琴科技发展有限公司，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。