一种基于在线学习的OL-YoloV5船舶检测方法技术

本发明专利技术公开了一种基于在线学习的OL

【技术实现步骤摘要】
一种基于在线学习的OL
‑
YoloV5船舶检测方法


[0001]本专利技术涉及船舶检测
，具体涉及一种基于在线学习的OL
‑
YoloV5船舶检测方法。

技术介绍

[0002]海上船舶检测属于目标检测的一种，是一项具有挑战性的任务。近年来许多国内外学者提出了一些可行的海上船舶检测算法。Tatsuhiro Akiyama等提出了基于卷积神经网络(Convolutional Neural Network)的通过监控摄像机获得船舶图像的船舶检测模型，该模型的F1分数(模型精确率和召回率的一种调和平均数)为70％。为了提升海上船舶识别效果，刘等提出了基于改进Single Shot MultiBox Detector(一种单阶段的目标检测模型)的无人船海上船舶识别算法，检测准确率达到了80％以上。崔巍提出的基于Faster Regions with Convolutional Neural Network features(具有卷积神经网络特征的更快区域)算法的船舶识别检测，相比于传统的Scale
‑
invariant feature transform(尺度不变特征变换)算法和Faster Regions with Convolutional Neural Network features(具有卷积神经网络特征的更快区域)算法有更好的检测效果。Li Kaipeng等提出的基于特征金字塔网络和可变形卷积的智能船舶检测可对更小更远的船只进行检测，使用可变形卷积解决样本少的问题。但是目前，在国内外海上船舶检测研究中，海上船舶检测技术在实际应用中常常会出现误检、漏检、准确率不高的情况。其还面临着一个严重的问题，海上船舶目标识别和检测的效果要达到一个较高的水平，需要训练大量的样本数据集，然而在实际生活中仅仅依靠人力去采集大量的样本数据集需要耗费大量的时间与人工。传统海上船舶检测方法模型训练小样本数据集能取得一般的效果，当模型要添加新样本数据集来增强检测效果时，如果只训练新样本数据集，不一起训练旧样本数据集，会对旧样本数据集产生“灾难性遗忘”。在线学习能不断地从新样本数据集学习新的特征，同时又保留已学习的样本特征，实现“不遗忘学习”。

技术实现思路

[0003]本专利技术为了克服以上技术的不足，提供了一种基于在线学习的OL
‑
YoloV5船舶检测方法，从而解决只需采集少量的新船舶样本数据集，就能对新旧船舶数据集有着很好的检测效果，有效的缓解了难以采集海上船舶数据集的难点问题。本专利技术方法提出的OL
‑
YoloV5船舶检测方法能让船舶摄像头准确识别出海上船只。由于海上船舶数据集难以大量采集，本专利技术方法使用在线学习可以让模型不断学习新船舶数据集，不需一次性把所有船舶数据集采样进行训练，节省了大量的人力资源、时间资源。
[0004]本专利技术克服其技术问题所采用的技术方案是：
[0005]一种基于在线学习的OL
‑
YoloV5船舶检测方法，包括步骤：
[0006]S1、获取目标船舶数据并对获取到的目标船舶数据的基类样本数据集进行预处理；
[0007]S2、基于应用环境预设船舶检测模型的训练参数；
[0008]S3、基于步骤S2预设的船舶检测模型的训练参数，对步骤S1处理后的基类样本数据集进行训练，创建YoloV5船舶检测模型；
[0009]S4、通过在线学习方法对步骤S3建立的YoloV5船舶检测模型进行修改，不断地学习新船舶样本特征，得到OL
‑
YoloV5船舶检测模型。
[0010]进一步地，步骤S1中具体包括：
[0011]S11、实地采集船舶数据，通过多机位拍摄图像和视频，得到实地船舶数据集；
[0012]S12、筛选网络上公开的船舶数据集，得到网络船舶数据集；
[0013]S13、分别从实地船舶数据集和网络船舶数据集中筛选出部分数据集，按照M：N的比例混合，其中，M＜N；
[0014]S14、对步骤S13混合的数据集进行数据增强。
[0015]进一步地，步骤S14中，数据增强包括但不限于以下方法：
[0016]对图像旋转、对图像按比例缩放、对图像左右翻转、对图像打马赛克、对多个图像进行混合拼接。
[0017]进一步地，步骤S2中，船舶检测模型的训练参数至少包括：初始学习速率、学习器动量大小、优化器权重衰减速率。
[0018]进一步地，步骤S3中，创建YoloV5船舶检测模型具体包括：
[0019]S31、基于YoloV5目标检测算法建立YoloV5船舶检测模型；
[0020]S32、将YoloV5船舶检测模型的多尺度特征融合方法PANeT结构改为BiFPN结构；
[0021]S33、在YoloV5目标检测算法中添加CA注意力机制模块。
[0022]进一步地，步骤S31中，YoloV5船舶检测模型包括Backbone结构、Neck结构和Head结构，输入图像经过图像增强后进入到Backbone结构中，所述Backbone结构和Neck结构用于对图像不断的进行卷积操作以提取图像特征，得到的图像特征再进入到Head结构中进行分类预测。
[0023]进一步地，步骤S31的YoloV5船舶检测模型中，
[0024]所述Backbone结构包括Conv模块、C3模块和SPPF模块，所述Conv模块用于进行卷积操作以提取图像特征，所述C3模块为具有3次卷积的CSPBottleneck模块，用于增强算法的学习能力并且在保持算法检测精度的同时实现轻量化，所述SPPF模块用于提高图像的尺度不变性、增加主干特征的接收范围，更容易使网络收敛，提高准确率；
[0025]所述Neck结构采用FPN和PAN结合的结构，所述FPN用于实现语义信息从深层特征图到浅层特征图的传递，PAN用于实现定位信息从浅层特征层到深层特征层的传递，FPN与PAN的结合用于从不同的主干层对不同的检测层进行参数聚合从而加强网络的特征；
[0026]所述Head结构包括三个Detect，Head结构的边界框回归损失函数采用CIOU_Loss，Detect采用Sigmoid激活函数。
[0027]进一步地，步骤S32中，BiFPN结构针对融合的各个尺度特征增加一个权重，调节每个尺度的贡献度，对权重进行融合，融合使用的方法为快速归一化融合方法，表达式为：
[0028][0029]式中，m
i
和m
j
是学习的权重，用于表示标量、向量或多维张量，其中，2<i<8，2<j<8；
I
i
是每一层网络输入的参数；∈＝0.0001是避免数值不稳定的小数值；
[0030]多尺度特征融合用于对不同分辨率下的特征进行聚合，BiFPN结构的计算表达式为：
[0031][0032][00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于在线学习的OL
‑
YoloV5船舶检测方法，其特征在于，包括步骤：S1、获取目标船舶数据并对获取到的目标船舶数据的基类样本数据集进行预处理；S2、基于应用环境预设船舶检测模型的训练参数；S3、基于步骤S2预设的船舶检测模型的训练参数，对步骤S1处理后的基类样本数据集进行训练，创建YoloV5船舶检测模型；S4、通过在线学习方法对步骤S3建立的YoloV5船舶检测模型进行修改，不断地学习新船舶样本特征，得到OL
‑
YoloV5船舶检测模型。2.根据权利要求1所述的基于在线学习的OL
‑
YoloV5船舶检测方法，其特征在于，步骤S1中具体包括：S11、实地采集船舶数据，通过多机位拍摄图像和视频，得到实地船舶数据集；S12、筛选网络上公开的船舶数据集，得到网络船舶数据集；S13、分别从实地船舶数据集和网络船舶数据集中筛选出部分数据集，按照M：N的比例混合，其中，M＜N；S14、对步骤S13混合的数据集进行数据增强。3.根据权利要求2所述的基于在线学习的OL
‑
YoloV5船舶检测方法，其特征在于，步骤S14中，数据增强包括但不限于以下方法：对图像旋转、对图像按比例缩放、对图像左右翻转、对图像打马赛克、对多个图像进行混合拼接。4.根据权利要求1所述的基于在线学习的OL
‑
YoloV5船舶检测方法，其特征在于，步骤S2中，船舶检测模型的训练参数至少包括：初始学习速率、学习器动量大小、优化器权重衰减速率。5.根据权利要求1所述的基于在线学习的OL
‑
YoloV5船舶检测方法，其特征在于，步骤S3中，创建YoloV5船舶检测模型具体包括：S31、基于YoloV5目标检测算法建立YoloV5船舶检测模型；S32、将YoloV5船舶检测模型的多尺度特征融合方法PANeT结构改为BiFPN结构；S33、在YoloV5目标检测算法中添加CA注意力机制模块。6.根据权利要求5所述的基于在线学习的OL
‑
YoloV5船舶检测方法，其特征在于，步骤S31中，YoloV5船舶检测模型包括Backbone结构、Neck结构和Head结构，输入图像经过图像增强后进入到Backbone结构中，所述Backbone结构和Neck结构用于对图像不断的进行卷积操作以提取图像特征，得到的图像特征再进入到Head结构中进行分类预测。7.根据权利要求6所述的基于在线学习的OL
‑
YoloV5船舶检测方法，其特征在于，步骤S31的YoloV5船舶检测模型中，所述Backbone结构包括Conv模块、C3模块和SPPF模块，所述Conv模块用于进行卷积操作以提取图像特征，所述C3模块为具有3次卷积的CSPBottleneck模块，用于增强算法的学习能力并且在保持算法检测精度的同时实现轻量化，所述SPPF模块用于提高图像的尺度不变性、增加主干特征的接收范围，更容易使网络收敛，提高准确率；所述Neck结构采用FPN和PAN结合的结构，所述FPN用于实现语义信息从深层特征图到浅层特征图的传递，PAN用于实现定位信息从浅层特征层到深层特征层的传递，FPN与PAN的结合用于从不同的主干层对不同的检测层进行参数聚合从而加强网络的特征；
所述Head结构包括三个Detect，Head结构的边界框回归损失函数采用CIOU_Loss，Detect采用Sigmoid激活函数。8.根据权利要求5所述的基于在线学习的OL
‑
YoloV5船舶检测方法，其特征在于，步骤S32中，BiFPN结构针对融合的各个尺度特征增加一个权重，调节每个尺度的贡献度，对权重进行融合，融合使用的方法为快速归一化融合方法，表达式为：式中，m
i
和m
j
是学习的权重，用于表示标量、向量或多维张量，其中，2<i<8，2<j<8；I
i
是每一层网络输入的参数；∈＝0.0001是避免数值不稳定的小数值；多尺度特征融合用于对不同分辨率下的特征进行聚合，BiFPN结构的计算表达式为：BiFPN结构的计算表达式为：式中，Resize表示下采样或上采样操作；m
i
是每层学习到的权重参数，用于区分特征融合过程中不同特征的重要程度...

【专利技术属性】
技术研发人员：陈姚节，刘文正，陈黎，林云汉，
申请(专利权)人：武汉科技大学，
类型：发明
国别省市：