一种基于图像增强算法与改进YOLOv5的雾天船舶检测方法技术

本发明专利技术提供一种基于图像增强算法与改进YOLOv5的雾天船舶检测方法，包括：对采集到的雾天船舶图像数据用MSRCP和CLAHE算法进行图像预处理；将预处理的图像进行标注，构建成数据集；对网络进行改进，采用k

【技术实现步骤摘要】
一种基于图像增强算法与改进YOLOv5的雾天船舶检测方法


[0001]本专利技术涉及船舶检测
，具体而言，尤其涉及一种基于图像增强算法与改进YOLOv5的雾天船舶检测方法。

技术介绍

[0002]多变的海洋状况和海水运动，使海面上经常会有海雾产生。渤海海域是海雾的多发地带，受到冷暖气流的影响，海上有雾的天数最长可达约四十天，对船的航行安全造成极大的威胁。由于受到海上云雾环绕的挑战，驾驶员和引航员的瞭望范围受到限制，海上交通的安全性受到了极大的威胁，发生海上事故的概率大大增加。同时，由于海雾的存在改变了空气中的压力、湿度等参数，船用雷达的探测性能也会大幅度降低。在这种情况下，船舶识别系统对可见光图像的自动检测和辨识能力也会降低，漏检率和误检率会随着环境的恶劣程度变高。
[0003]现有的基于深度学习的目标算法有两种：一种是two
‑
stage回归算法，通过卷积神经网络生成一系列可能存在潜在目标的候选区域，然后根据候选区域的特征对每一个区域进行分类和边界回归。Two
‑
stage以Faster
‑
RCNN为代表；另一类是one
‑
stage算法，使用单个卷积神经网络直接完成输入图像上所有目标的定位与分类，典型的算法有YOLO网络。基于候选区域的双阶段的目标检测算法虽然精度很高，但是检测速度不高。而one
‑
stage目标检测方法如2020年提出的YOLOv5，虽然在检测精度上稍有逊色，但是检测速度很快，可以满足实时性要求。
[0004]雾天复杂的海洋环境，使得拍摄的可见光图像清晰度不高、云雾干扰较强、对比度低、色彩失真强，这将导致目标检测时容易出现漏检率高的情况，尤其是对于海上远处的小目标船舶。因此解决此类问题，不仅要保证实时性的要求，还要降低漏检率。

技术实现思路

[0005]根据上述提出现有雾天海上可见光图像的船舶实时检测所存在的技术问题，提供一种基于图像增强算法与改进YOLOv5的雾天船舶检测方法。本专利技术采用MSRCP和CLAHE算法对图像进行预处理，用k
‑
means++聚类算法选定锚框，添加CA模块减少残差过程中的信息损失，使用SoftPool对特征图进行池化操作，有效解决了因为雾天图像特征不清晰而导致的远处小目标船检测漏检率高的问题。
[0006]本专利技术采用的技术手段如下：
[0007]一种基于图像增强算法与改进YOLOv5的雾天船舶检测方法，包括如下步骤：
[0008]S1、采集海上雾天船舶图像数据，并对图像进行MSRCP和CLAHE预处理，得到图片数据集；
[0009]S2、对得到的图片数据集进行标注，建立专有数据集；
[0010]S3、采用k
‑
means++聚类方法设计先验框；
[0011]S4、构建改进YOLOv5网络模型，将CA模块添加到C3模块中，得到CA
‑
YOLOv5；
[0012]S5、在SPP模块中采用SoftPool池化替换原来的MaxPool池化；
[0013]S6、利用数据集对CA
‑
YOLOv5网络进行训练，获取基于CA
‑
YOLOv5网络的检测模型以及权重文件；
[0014]S7、利用训练好的网络模型对获取到的图像进行检测，得到预测结果。
[0015]进一步地，所述步骤S1，具体包括：
[0016]S11、准备图像，图像数据集来源于新加坡海事数据集；
[0017]S12、将带雾图像输入到MSRCP算法当中进行处理，得到处理后的图像；
[0018]S13、将得到的图像输入到CLAHE算法中进行进一步处理，得到增强后图像。
[0019]进一步地，所述步骤S12，具体包括：
[0020]S121、设置参数；
[0021]S122、获取图像的MSR效果图，如下：
[0022][0023]式中，n代表尺度；ω
n
为每个尺度所对应的权重；
[0024]S123、将MSR乘上色彩恢复函数，得到MSRCR的效果图，如下：
[0025][0026]式中，G和b为经验参数；
[0027]S124、将经过MSRCR算法增强后的强度图像进行处理，再将数据根据原始的RGB的比例映射到每个通道，得到基于MSRCP增强算法的图像,强度图像的获取公式为：
[0028][0029]式中，I
nt
代表强度图像，I
R
代表原始图像的R通道值，I
G
代表原始图像的G通道值，I
B
代表原始图像的B通道值；
[0030]S125、将获得的图像进行色彩恢复，如下：
[0031][0032][0033]式中，代表单通道强度图像，i代表像素索引序号；分别对R、G、B 3个通道利用放大因子A进行色彩调整，从而得到增强后的图像，计算公式为：
[0034]R(x,y)＝AI
(R,G,B)
(x,y)
[0035]式中，B代表色度，I
(R，G，B)
(x，y)图像代表在坐标(x，y)处的RGB特征图，R(x，y)代表增强后图像；
[0036]S126、对获得的增强后的图像进行手动色彩增强，得到效果图。
[0037]进一步地，所述步骤S13，具体包括：
[0038]S131、将输入图像转化为lab格式；
[0039]S132、使用cv2.createCLAHE实例化CLAHE算法；
[0040]S133、使用cv2.merge函数将lab图像进行合并；
[0041]S134、将lab图像转换为RGB图像。
[0042]进一步地，所述步骤S2，具体包括：
[0043]对每个船的种类进行区分并用标注框进行打标，得到包含不同种类目标框的图片数据集。
[0044]进一步地，所述步骤S3，具体包括：
[0045]S31、将标注好的目标边框长宽输入到聚类算法当中；
[0046]S32、随机选取一个点作为第一个聚类中心；
[0047]S33、计算每个样本与当前已有聚类中心的距离1
‑
IOU，距离值越大，表示被选取作为聚类中心的概率值越大；
[0048]S34、采用轮盘赌法依据概率大小进行抽选，选出下一个聚类中心；
[0049]S35、重复步骤S33、S34，直到选出9个聚类中心；
[0050]S36、计算每个样本距离最近的簇中心，并分配到离它最近的簇中；
[0051]S37、采用计算中值，根据每个簇中的样本重新计算簇中心；
[0052]S38、重复执行步骤S36到S37，直到每个簇中元素不再发生变化。
[0053]进一步地，所述步骤S4，具体包括：
[0054]在每个C3模块conca本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像增强算法与改进YOLOv5的雾天船舶检测方法，其特征在于，包括如下步骤：S1、采集海上雾天船舶图像数据，并对图像进行MSRCP和CLAHE预处理，得到图片数据集；S2、对得到的图片数据集进行标注，建立专有数据集；S3、采用k
‑
means++聚类方法设计先验框；S4、构建改进YOLOv5网络模型，将CA模块添加到C3模块中，得到CA
‑
YOLOv5；S5、在SPP模块中采用SoftPool池化替换原来的MaxPool池化；S6、利用数据集对CA
‑
YOLOv5网络进行训练，获取基于CA
‑
YOLOv5网络的检测模型以及权重文件；S7、利用训练好的网络模型对获取到的图像进行检测，得到预测结果。2.根据权利要求1所述的基于图像增强算法与改进YOLOv5的雾天船舶检测方法，其特征在于，所述步骤S1，具体包括：S11、准备图像，图像数据集来源于新加坡海事数据集；S12、将带雾图像输入到MSRCP算法当中进行处理，得到处理后的图像；S13、将得到的图像输入到CLAHE算法中进行进一步处理，得到增强后图像。3.根据权利要求2所述的基于图像增强算法与改进YOLOv5的雾天船舶检测方法，其特征在于，所述步骤S12，具体包括：S121、设置参数；S122、获取图像的MSR效果图，如下：式中，n代表尺度；ω
n
为每个尺度所对应的权重；S123、将MSR乘上色彩恢复函数，得到MSRCR的效果图，如下：式中，G和b为经验参数；S124、将经过MSRCR算法增强后的强度图像进行处理，再将数据根据原始的RGB的比例映射到每个通道，得到基于MSRCP增强算法的图像,强度图像的获取公式为：式中，I
nt
代表强度图像，I
R
代表原始图像的R通道值，I
G
代表原始图像的G通道值，I
B
代表原始图像的B通道值；S125、将获得的图像进行色彩恢复，如下：
式中，代表单通道强度图像，i代表像素索引序号；分别对R、G、B 3个通道利用放大因子A进行色彩调整，从而得到增强后的图像，计算公式为：R(x,y)＝AI
(R,G,B)
(x,y)式中，B代表色度，I
(R，G，B)
(x，y)图像代表在坐标(x，y)处的RGB特征图，R(x，y)代表增强后图像；S126、对获得的增强后的图像进行手动色彩增强，得到效果图。4.根据权利要求2所述的基于图像增强算法与改进YOLOv5的雾天船舶检测方法，其特征在于，所述步骤S13，具体包括：S131、将输入图像转化为lab格式；S132、使用cv2.createCLAHE实例化CLAHE算法；S133、使用cv2.me...

【专利技术属性】
技术研发人员：李伟，张雪，宁君，单雄飞，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：