【技术实现步骤摘要】
本专利技术涉及轻量级船舶检测，具体为一种基于yolo-v5的轻量级船舶实时视频检测方法。
技术介绍
1、目标检测是计算机视觉研究领域的热点之一，利用图像和神经网络算法实现船舶水上目标检测已成为重要的应用方向。船舶目标检测的研究方法可分为两大类,一种是基于传统图像处理技术(image processing technique,ipt)的船舶检测方法，通过图像分割、特征提取和分类器分类进行目标检测；
2、深度学习方法可以从大量图像数据中学习图像特征表达以极大地提高含有大量信息的图像处理精度，通过组合多个非线性变换、自适应地组合低层特征形成更抽象的高层特征的深度网络，进而提取出图像中的光谱、纹理、几何等隐藏得更深、语义信息更丰富的特征，获得比传统方法更高的精度和效率，针对船舶目标监测，cnn被广泛应用于图像分类与目标识别，主要分为两类：一类是以基于区域的cnn(faster r-cnn)为代表的两阶段算法；另一类是以单次多盒检测器(single shot multibox detector,ssd)为代表的单级算法和(you only look once,yolo)，与两阶段算法相比，一阶段算法显著提高了速度，在实时船舶检测中实现了速度和精度的良好平衡。
3、现有技术中，当船舶被雾或码头遮挡时，几何分割方法并不可靠，另一种类型基于深度学习技术，传统ipt对手动特征提取的依赖使其泛化能力和鲁棒性较差；由于fasterr-cnn的两阶段算法检测速度较弱而无法满足目标检测的实时性要求，基于yolo的目标检测方法仍然存
技术实现思路
1、本专利技术的目的在于提供一种基于yolo-v5的轻量级船舶实时视频检测方法，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：基于yolo-v5的轻量级船舶实时视频检测方法，包括：
3、数据收集单元，依据voc数据集格式制作船舶数据集；
4、搭建网络模型单元，以yolo-v5s作为基础网络，做yolo-v5的特征提取器和分类网络；
5、训练网络模型单元，添加额外的辅助网络层在yolo-v5s上完成定位检测，构成完整的yolo-v5目标检测网络，利用搭建好的网络结构训练模型，对模型进行评估；
6、检测及测试模型单元，再利用训练出的模型进行船舶目标检测及模型测试。
7、数据收集单元：建立文件夹vocdata，在vocdata下新建两个文件夹，且命名为annotations和images，annotations用于存放标注图片后产生的内容，数据格式采用xml格式，images用于存放要标注的图片，调整船舶图片数据格式为jpg格式。
8、搭建网络模型单元：以yolo-v5s作为基础网络，以及作为yolo-v5的特征提取器和分类网络，添加额外的辅助网络层在yolo-v5s上完成定位检测，构成完整的yolo-v5目标检测网络。
9、训练网络模型单元：对数据集进行预处理，将原始数据转化为模型可读取的格式，并进行网络结构参数优化，提高模型的鲁棒性，得到预训练模型，将改进的yolo-v5网络模型制作的数据上进行训练，训练过程中，通过不断调整网路参数，得到最终的网络模型。
10、检测及测试模型单元：利用已训练好的网络模型对检测样本进行检测验证，得到检测目标的位置和类别。
11、使用labelimg对图片数据进行标注，即标出目标的类别和位置信息，将标注信息保存为同名的xml格式文件，存放至annotations文件夹中；
12、在vocdata目录下创建imagessets\main文件夹，且在其下生成测试集、训练集、验证集，将已有数据按比例生成训练样本集和测试样本集，生成train.txt和test.txt文件，存放训练样本集和测试样本集的绝对路径信息。
13、yolo-v5的网络结构是一个完整的卷积网络，网络结构由卷积层、批量归一化层等组成，搭建yolo-v5的网络结构，分为骨干网、颈结构(neck)和头部结构三部分。
14、将图像输入到yolo-v5，然后将输入的图像分割成多个固定大小的网格，并让每个网格作为输入送入卷积神经网络，经过多个卷积层和池化层的处理，网络能够提取出图像的特征，最后在提取的图像的特征基础上，yolo-v5通过回归和分类的方式来预测每个网格中是否存在目标物体以及其位置和类别。
15、利用测试样本集对网络模型进行测试，得到检测图片中目标的位置和类别，计算模型在测试样本集下的检测准确率和检测速度，根据检测准确率和检测速度的大小来评估网络模型。
16、与现有技术相比，本专利技术的有益效果是：
17、1、yolo-v5网络结构在不同环境条件下都能正确完成检测。
18、2、对于大型船舶，置信度得分达到0.9；对于小型船舶，该算法也有相对较好的性能。
19、3、当船舶出现在图像边缘时，算法合理标记船舶边界框并对其进行准确分类。
20、4、在船舶监控视频中，船舶检测算法能够应对多目标和遮挡干扰。
本文档来自技高网...【技术保护点】
1.基于YOLO-v5的轻量级船舶实时视频检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于YOLO-v5的轻量级船舶实时视频检测方法，其特征在于，数据收集单元：建立文件夹VOCData，在VOCData下新建两个文件夹，且命名为Annotations和images，Annotations用于存放标注图片后产生的内容，数据格式采用XML格式，images用于存放要标注的图片，调整船舶图片数据格式为jpg格式。
3.根据权利要求1所述的一种基于YOLO-v5的轻量级船舶实时视频检测方法，其特征在于，搭建网络模型单元：以YOLO-v5s作为基础网络，以及作为YOLO-v5的特征提取器和分类网络，添加额外的辅助网络层在YOLO-v5s上完成定位检测，构成完整的YOLO-v5目标检测网络。
4.根据权利要求1所述的一种基于YOLO-v5的轻量级船舶实时视频检测方法，其特征在于，训练网络模型单元：对数据集进行预处理，将原始数据转化为模型可读取的格式，并进行网络结构参数优化，提高模型的鲁棒性，得到预训练模型，将改进的YOLO-v5网络模型制作的
5.根据权利要求1所述的一种基于YOLO-v5的轻量级船舶实时视频检测方法，其特征在于，检测及测试模型单元：利用已训练好的网络模型对检测样本进行检测验证，得到检测目标的位置和类别。
6.根据权利要求2所述的一种基于YOLO-v5的轻量级船舶实时视频检测方法，其特征在于：使用labelImg对图片数据进行标注，即标出目标的类别和位置信息，将标注信息保存为同名的XML格式文件，存放至Annotations文件夹中；
7.根据权利要求3所述的一种基于YOLO-v5的轻量级船舶实时视频检测方法，其特征在于：YOLO-v5的网络结构是一个完整的卷积网络，网络结构由卷积层、批量归一化层等组成，搭建YOLO-v5的网络结构，分为骨干网、颈结构(Neck)和头部结构三部分。
8.根据权利要求3所述的一种基于YOLO-v5的轻量级船舶实时视频检测方法，其特征在于：将图像输入到YOLO-v5，然后将输入的图像分割成多个固定大小的网格，并让每个网格作为输入送入卷积神经网络，经过多个卷积层和池化层的处理，网络能够提取出图像的特征，最后在提取的图像的特征基础上，YOLO-v5通过回归和分类的方式来预测每个网格中是否存在目标物体以及其位置和类别。
9.根据权利要求4所述的一种基于YOLO-v5的轻量级船舶实时视频检测方法，其特征在于：利用测试样本集对网络模型进行测试，得到检测图片中目标的位置和类别，计算模型在测试样本集下的检测准确率和检测速度，根据检测准确率和检测速度的大小来评估网络模型。
...【技术特征摘要】
1.基于yolo-v5的轻量级船舶实时视频检测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于yolo-v5的轻量级船舶实时视频检测方法，其特征在于，数据收集单元：建立文件夹vocdata，在vocdata下新建两个文件夹，且命名为annotations和images，annotations用于存放标注图片后产生的内容，数据格式采用xml格式，images用于存放要标注的图片，调整船舶图片数据格式为jpg格式。
3.根据权利要求1所述的一种基于yolo-v5的轻量级船舶实时视频检测方法，其特征在于，搭建网络模型单元：以yolo-v5s作为基础网络，以及作为yolo-v5的特征提取器和分类网络，添加额外的辅助网络层在yolo-v5s上完成定位检测，构成完整的yolo-v5目标检测网络。
4.根据权利要求1所述的一种基于yolo-v5的轻量级船舶实时视频检测方法，其特征在于，训练网络模型单元：对数据集进行预处理，将原始数据转化为模型可读取的格式，并进行网络结构参数优化，提高模型的鲁棒性，得到预训练模型，将改进的yolo-v5网络模型制作的数据上进行训练，训练过程中，通过不断调整网路参数，得到最终的网络模型。
5.根据权利要求1所述的一种基于yolo-v5的轻量级船舶实时视频检测方法，其特征在于，检测及测试模型单元：利用已训练好的网络...
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。