基于改进Yolov7的船舶检测方法及系统技术方案

本发明专利技术涉及图像技术领域，尤其涉及基于改进Yolov7的船舶检测方法及系统，包括采集不同场景不同天气下的船舶图像，并进行预处理；改进Yolov7的主干网络部分，减少主干网络的参数量；改进Yolov7的颈部网络和头部网络，减少颈部网络和头部网络的参数量；对先验框进行样本匹配，并利用总损失函数优化目标框回归的发散。本发明专利技术解决现有方法参数量与计算量高、帧率低的问题。率低的问题。率低的问题。

【技术实现步骤摘要】
基于改进Yolov7的船舶检测方法及系统


[0001]本专利技术涉及图像处理
，尤其涉及基于改进Yolov7的船舶检测方法及系统。

技术介绍

[0002]无人船随着人工智能的发展，在军事、商用和民用领域，应用价值和战略地位不断得到提升。由于无人船具有成本低和适应性强的特性，在恶劣环境、长时间的机械工作或者高危作业时，可以利用无人船代替人工水面作业。无人船常应用于定点巡航，水面运输，水质检测，海洋勘测等。在实现上述功能时，无人船对外界环境的感知占重要一环，其中船舶是外界环境变化的最大因素之一，这就要求无人船对船舶有着敏锐的感知。
[0003]无人船对船舶的感知，通常利用雷达、相机、红外、超声波等方法来实现。其中雷达不易受外界环境的影响，获取外界船舶的信息更为精准。相机有着价格低廉的优势，获取的光学图像和视频，在视觉上感知外界获得的信息更为丰富，识别外界船舶时，能在检测出船舶的基础上分辨出船舶的具体类别。将这两者相结合应用在无人船中实现对外界环境的感知，是目前较为常用的方法之一。
[0004]在利用相机获取外界图像时，需要对图像进行检测识别，常利用深度学习中的目标检测来完成，但目标检测算法应用在嵌入式设备中时，由于其本身的模型参数大，对计算的要求高，且检测帧率低的缺点，不能直接在嵌入式设备中使用；因此对检测算法作轻量化改进，降低检测算法的参数量与计算量，提高帧率，使其能够满足嵌入式设备的要求，有着实际的应用价值。

技术实现思路

[0005]针对现有方法的不足，本专利技术利用轻量化网络可以显著降低网络整体的参数量，并使算力要求大大降低，满足嵌入式设备的硬件需求；同时，帧率的提升在实际应用时可以完成实时检测。
[0006]本专利技术所采用的技术方案是：基于改进Yolov7的船舶检测方法及系统包括以下步骤：
[0007]步骤一、采集不同场景不同天气下的船舶图像，并进行预处理；
[0008]进一步的，预处理包括：对图像进行Mosaic数据增强。
[0009]步骤二、改进Yolov7的主干网络部分，减少主干网络的参数量；
[0010]进一步的，主干网络的改进包括：
[0011]利用Ghostnetv2网络替换Yolov7的主干网络，Ghostnetv2网络首先用一个3
×
3的卷积将图像压缩，通道数扩张至16通道数；接着经过16个Ghost
‑
bottleneck模块对特征图不断提取，增加通道数；最后，分别取出通道数为40，112，160的特征层作为输出。
[0012]进一步的，Ghost
‑
bottleneck模块是包括DFC模块和Ghost卷积模块，当步长为1时，Ghost
‑
bottleneck由两个Ghost卷积、一个DFC模块和残差边构成；当步长为2时，Ghost
‑
bottleneck由两个Ghost卷积、一个DW卷积、一个DFC模块和残差边组成。
[0013]步骤三、改进Yolov7的颈部网络和头部网络，减少颈部网络和头部网络的参数量；
[0014]进一步的，改进Yolov7的颈部网络包括：构建G
‑
ELAN模块替换颈部网络中的ELAN模块；其中，G
‑
ELAN模块包括Ghost卷积和Conv卷积；第二Conv卷积的分支经过两个串联的Ghost卷积后与第二Conv卷积及第一Conv卷积的输出进行concat连接，再经过第三Conv卷积输出。
[0015]进一步的，改进Yolov7的头部网络包括：构建G
‑
conv模块替换头部网络中的REP模块；其中，G
‑
conv模块包括Conv卷积和Ghost卷积，Conv卷积的分支串联Ghost卷积后与Conv卷积的输出进行concat连接。
[0016]步骤四、对先验框进行样本匹配，并利用总损失函数优化目标框回归的发散；
[0017]进一步的，步骤四具体包括：
[0018]步骤41、构建真实框和先验框数组集，公式为：
[0019][0020]其中，真实框的宽高分别为W、H，先验框的宽高为W
i
、H
i
；
[0021]选择每个数组中宽比、高比的最大值与阈值K进行比较，若最大值小于阈值K，则将对应的先验框保留，作为正样本用来预测真实框；若最大值大于阈值K，则判定为负样本，不参与预测；
[0022]步骤42、对正样本进行扩充，首先找到真实框的中心所在网格，接着找出距离中心网络最近的两个网格，最后将相邻的两个网格中符合宽高比的先验框判定为正样本；
[0023]步骤43、计算每个真实框与每个正样本的预测框重叠度，并进行累加求和求整得到S；计算每个真实框与正样本的预测框的类别损失，将真实框与预测框的重叠度和类别损失相加构成总代价，最后将真实框与每个预测框的代价矩阵进行排序，选取S个最低的代价值作为正样本。
[0024]进一步的，总损失函数的公式为：
[0025]Loss＝box_loss+obj_loss+cla_loss
ꢀꢀꢀ
(12)
[0026]式中，box_loss为回归损失，obj_loss和cla_loss分别代表置信度损失和种类损失。
[0027]进一步的，基于改进Yolov7的船舶检测系统，包括：存储器，用于存储可由处理器执行的指令；处理器，用于执行指令以实现基于改进Yolov7的船舶检测方法。
[0028]进一步的，存储有计算机程序代码的计算机可读介质，计算机程序代码在由处理器执行时实现基于改进Yolov7的船舶检测方法。
[0029]本专利技术的有益效果：
[0030]1、利用Mosaic数据增强的方法，扩充数据集，提高了模型的泛用性，解决了数据集小目标不足的问题，同时减缓了嵌入式设备的显存要求；
[0031]2、利用Ghostnetv2网络替换Yolov7主干网络，解决了主干网络参数量与计算量大的问题；
[0032]3、改进颈部网络结构，利用改进G
‑
ELAN替换ELAN模块，进一步缩减了网络的计算量与参数量；
[0033]4、改进头部网络结构，利用改进G
‑
conv模块替换REP模块，进一步缩减了网络的计算量与参数量，使其能适应嵌入式设备，实现实时检测的可能；
[0034]5、对正样本匹配进行了优化，改进匹配规则，提高了正样本的数量，并通过自适应匹配选择代价较小的预测框，提高网络的检测帧率。
附图说明
[0035]图1是本专利技术的基于改进Yolov7的船舶检测方法及系统流程图；
[0036]图2是现有Yolov7网络结构图；
[0037]图3是ELAN模块结构图；
[0038]图4是REP模块结构图；
[0039]图5是DFC模块结构图；
[0040]图6是本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进Yolov7的船舶检测方法，其特征在于，包括以下步骤：步骤一、采集不同场景不同天气下的船舶图像，并进行预处理；步骤二、改进Yolov7的主干网络，减少主干网络的参数量；步骤三、改进Yolov7的颈部网络和头部网络，减少颈部网络和头部网络的参数量；步骤四、对先验框进行样本匹配，并利用总损失函数优化目标框回归的发散。2.根据权利要求1所述的基于改进Yolov7的船舶检测方法，其特征在于，预处理包括：对图像进行Mosaic数据增强。3.根据权利要求1所述的基于改进Yolov7的船舶检测方法，其特征在于，主干网络的改进包括：利用Ghostnetv2网络替换Yolov7的主干网络，Ghostnetv2网络首先用一个3
×
3的卷积将图像压缩，通道数扩张至16通道数；接着经过16个Ghost
‑
bottleneck模块对特征图不断提取，增加通道数；最后，分别取出通道数为40，112，160的特征层作为输出。4.根据权利要求3所述的基于改进Yolov7的船舶检测方法，其特征在于，Ghost
‑
bottleneck模块是包括DFC模块和Ghost卷积模块，当步长为1时，Ghost
‑
bottleneck由两个Ghost卷积、一个DFC模块和残差边构成；当步长为2时，Ghost
‑
bottleneck由两个Ghost卷积、一个DW卷积、一个DFC模块和残差边组成。5.根据权利要求1所述的基于改进Yolov7的船舶检测方法，其特征在于，改进Yolov7的颈部网络包括：构建G
‑
ELAN模块替换颈部网络中的ELAN模块；其中，G
‑
ELAN模块包括Ghost卷积和Conv卷积；第二Conv卷积的分支经过两个串联的Ghost卷积后与第二Conv卷积及第一Conv卷积进行concat连接，再经过第三Conv卷积输出。6.根据权利要求1所...

【专利技术属性】
技术研发人员：储开斌，卢艺，彭敏，张继，冯成涛，史孛远，
申请(专利权)人：常州大学，
类型：发明
国别省市：