一种基于图像深度学习的海上目标识别系统技术方案

本发明专利技术涉及一种基于图像深度学习的海上目标识别系统，属于人工智能图像识别相关技术领域。为快速准确的识别出海上目标，满足态势评定与威胁评估的需要，为指挥决策提供重要依据，本发明专利技术提供了一种基于图像深度学习的海上目标识别系统。对比传统海上识别目标的方式，本发明专利技术技术方案的准确性、时效性、智能化程度都得到了极大提高。都得到了极大提高。都得到了极大提高。

【技术实现步骤摘要】
一种基于图像深度学习的海上目标识别系统


[0001]本专利技术属于人工智能图像识别相关
，具体涉及一种基于图像深度学习的海上目标识别系统。

技术介绍

[0002]目标识别技术是国防信息技术研究的重要问题之一，它对情报的收集和监控、武器制导领域具有重要的理论和应用价值。
[0003]随着深度学习理论的日益发展，深度神经网络被广泛的应用在目标检测中。然而目前用于检测目标的深度神经网络，在实时性要求较高的检测场景时，存在着实时性较差的问题，以及检测性能较差的问题。

技术实现思路

[0004](一)要解决的技术问题
[0005]本专利技术要解决的技术问题是：设计一种海上目标识别系统，以更快地识别出海上目标，满足态势评定与威胁评估的需要。
[0006](二)技术方案
[0007]为了解决上述技术问题，本专利技术提供了一种基于图像深度学习的海上目标识别系统，包括以下步骤：
[0008]图像预处理模块，用于获取海上目标图像，分别形成样本集和预测集，对所述样本集进行图像预处理，并构造训练标签；
[0009]模型训练模块，用于将所述海上目标图像的训练标签输入改进的YOLO v3识别模型中，训练得到海上目标识别模型；
[0010]目标检测模块，用于将海上目标图像的预测集，输入模型训练模块得到的海上目标识别模型中，进行目标检测，获得海上目标图像的属性信息，作为最终的目标检测结果；所述属性信息包括类别。
[0011]优选地，图像预处理模块对样本集进行图像预处理，并构造训练标签的方式具体为：
[0012]S1.1、搜集海上目标图像，将海上目标图像的样本集裁剪成固定大小；
[0013]S1.2、对所述样本集中的海上舰船进行目标框标注，目标框的信息参数包括：x_center、y_center、w、h，分别对应中心点横坐标、中心点纵坐标、目标框的宽、目标框的高，同时给出每个目标的分类，将标注后的信息存放在xml文件中；
[0014]S1.3、构造训练标签：利用YOLO v3模型将一张图片分为S*S的网格，每个网格负责预测一个目标，每个预测目标的参数包含x_center、y_center、w、h、confidence、prob，每个目标框有n_anchor个先验框，所以最后输入训练标签的特征shape为[batch_size,S,S,n_anchor*(5+class)]，其中batch_size为批尺寸，class为标准点，遍历所述xml文件，根据目标框中心坐标计算出网格的序号作为目标的索引，然后将网格的序号填充在xml文件里面。
[0015]优选地，所述改进YOLO v3识别模型是基于海上目标图像，对所述初始YOLO v3模型进行解析而生成的，在基于YOLOv3网络的主干网络中，使用DarkNet53作为特征提取网络，其中添加残差网络；引进先验框，通过聚类的方式得到先验框，作为回归的参考。
[0016]优选地，所述改进的YOLO v3识别模型的卷积神经网络可对输入的训练集的海上目标图像进行不同大小的卷积运算，形成海上目标图像的不同尺度的特征度；卷积神经网络学习海上目标图像不同尺度的特征，实现对海上目标多个尺度的检测。
[0017]优选地，将收集到的海上目标图像，输入到改进的YOLO v3识别模型中，改进型的YOLOv3识别模型会预测三个不同大小的3D张量3Dtensor，对应三个不同的规模scale。
[0018]优选地，将待检测的海上目标图像，分成S*S的网格，每个网格预测C个矩形框以及所述矩形框的置信度；其中，S表示划分网格数；B表示每个网格负责的边框个数；选择置信度分数值最大的海上目标先验边界框，通过逻辑回归函数对待检测的海上目标图像的位置进行预测。
[0019]优选地，所述改进的YOLO v3识别模型的预测输出是海上目标网格的单元坐标、预测前边界框的宽、高；改进的YOLO v3识别模型使用逻辑回归的方法预测每个边界框的分数。
[0020]优选地，在所述改进的YOLO v3识别模型中，构建损失函数作为度量预测值与真实值之间误差的评判标准。
[0021]优选地，对于海上目标的坐标，所述损失函数采用误差平方和损失函数，置信度以及类别采用二元交叉熵损失函数，在3种不同的规模上预测，且每种规模预测3个候选目标框；
[0022]优选地，所述改进的YOLO v3识别模型训练时，batch_size选择为8张，优化器选择Adam优化器。
[0023](三)有益效果
[0024]为快速准确的识别出海上目标，满足态势评定与威胁评估的需要，为指挥决策提供重要依据，本专利技术提供的一种基于图像深度学习的海上目标识别系统。对比传统海上识别目标的方式，本专利技术技术方案的准确性、时效性、智能化程度都得到了极大提高。
附图说明
[0025]图1为本专利技术中海上目标识别模型的主要网络结构图；
[0026]图2为本专利技术中改进型YOLO v3识别模型损失函数图；
[0027]图3为本专利技术中模型训练过程的Scale记录图；
[0028]图4为本专利技术中模型验证的预测输入图；
[0029]图5为本专利技术中模型验证的预测结果图。
具体实施方式
[0030]为使本专利技术的目的、内容、和优点更加清楚，下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。
[0031]为快速准确的识别出海上目标，满足态势评定与威胁评估的需要，为指挥决策提供重要依据，本专利技术提供的一种基于图像深度学习的海上目标识别系统，参考图1，包括：
[0032]图像预处理模块，用于获取海上目标图像，分别形成样本集和预测集，对所述样本集进行图像预处理，并构造训练标签；其中，对样本集进行图像预处理，并构造训练标签具体包括：
[0033]S1.1、搜集海上目标图像，将海上目标图像的样本集裁剪成固定大小；
[0034]S1.2、对所述样本集中的海上舰船进行目标框标注，目标框的信息参数包括：x_center、y_center、w、h，分别对应中心点横坐标、中心点纵坐标、目标框的宽、目标框的高，同时给出每个目标的分类，将标注后的信息存放在xml文件中，便于后续程序读取；
[0035]S1.3、构造训练标签：利用YOLO v3模型将一张图片分为S*S的网格，每个网格负责预测一个目标，每个预测目标的参数包含x_center、y_center、w、h、confidence、prob，每个目标框有n_anchor个先验框，所以最后输入训练标签的特征shape为[batch_size,S,S,n_anchor*(5+class)]，其中batch_size为批尺寸，class为标准点，可以遍历所述xml文件，根据目标框中心坐标计算出网格的序号作为目标的索引，然后将网格的序号填充在xml文件里面；
[0036]模型训练模块，用于将所述海上目标图像的训练标签输入改进的YOLO v3识别模型中，训练本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像深度学习的海上目标识别系统，其特征在于，包括：图像预处理模块，用于获取海上目标图像，分别形成样本集和预测集，对所述样本集进行图像预处理，并构造训练标签；模型训练模块，用于将所述海上目标图像的训练标签输入改进的YOLO v3识别模型中，训练得到海上目标识别模型；目标检测模块，用于将海上目标图像的预测集，输入模型训练模块得到的海上目标识别模型中，进行目标检测，获得海上目标图像的属性信息，作为最终的目标检测结果；所述属性信息包括类别。2.如权利要求1所述的系统，其特征在于，图像预处理模块对样本集进行图像预处理，并构造训练标签的方式具体为：S1.1、搜集海上目标图像，将海上目标图像的样本集裁剪成固定大小；S1.2、对所述样本集中的海上舰船进行目标框标注，目标框的信息参数包括：x_center、y_center、w、h，分别对应中心点横坐标、中心点纵坐标、目标框的宽、目标框的高，同时给出每个目标的分类，将标注后的信息存放在xml文件中；S1.3、构造训练标签：利用YOLO v3模型将一张图片分为S*S的网格，每个网格负责预测一个目标，每个预测目标的参数包含x_center、y_center、w、h，每个目标框有n_anchor个先验框，所以最后输入训练标签的特征shape为[batch_size,S,S,n_anchor*(5+class)]，其中batch_size为批尺寸，class为标准点，遍历所述xml文件，根据目标框中心坐标计算出网格的序号作为目标的索引，然后将网格的序号填充在xml文件里面。3.如权利要求1所述的系统，其特征在于，所述改进YOLO v3识别模型是基于海上目标图像，对所述初始YOLO v3模型进行解析而生成的，在基于YOLOv3网络的主干网络中，使用DarkNe...

【专利技术属性】
技术研发人员：赵琛，李子文，王庆兵，黄攀，刘明洁，张王成，王雪，闫雪娇，
申请(专利权)人：航天科工智能运筹与信息安全研究院武汉有限公司，
类型：发明
国别省市：