本发明专利技术公开了一种基于特征增强的YOLO‑Ships轻量化船舶目标检测方法，包括以下步骤：获取待检测的船舶图像数据；将所述待检测的船舶图像数据输入训练后的YOLO‑Ships模型进行船舶目标检测，所述YOLO‑Ships模型在骨干网络中采用C3REGhost模块替代YOLOv5s网络中的C3模块，采用S‑GhostConv模块替换YOLOv5s网络中传统卷积，采用GhostSPPF模块替换YOLOv5s网络中的SPPF模块，在YOLOv5s网络中的骨干网络末端引入BoTNet模块，在特征金字塔网络和路径聚合网络中引入C3REGhost模块和EGCA船舶特征增强模块；获取所述YOLO‑Ships模型的输出作为船舶目标检测结果。本发明专利技术有效的实现在兼顾模型轻量化的同时具有较好的船舶检测精度。
【技术实现步骤摘要】
本专利技术涉及船舶目标检测，具体来说，涉及一种基于特征增强的yolo-ships轻量化船舶目标检测方法。
技术介绍
1、近年来，随着海上智能船舶的快速发展，无人船的安全航行对船舶目标检测的准确性和实时性提出较高要求。由于受到复杂岸基背景、海上恶劣天气、海面反光和弱小目标等因素影响，导致船舶目标检测的难度增加，严重影响无人船对周围环境的感知能力。因此，研究高效、实时的船舶目标检测算法以解决现有方法存在的误检和漏检问题，对保障海上船舶安全航行，具有重要的研究价值和意义。
2、当前，由于卷积神经网络具有较强的特征表达能力，极大提高目标检测任务的准确性，因此成为当前的主流算法并且取得了较大的研究进展。基于深度学习的海上目标检测方法大致可分为基于区域提议和基于回归分析两类。基于区域提议方法首先利用区域提议网络提取感兴趣区域，然后对这些候选区域进行深度特征描述，以对船舶图像进行分类和定位。典型的基于区域提议方法包括fast rcnn、faster rcnn、fpn和cascade rcnn等。虽然该类方法具有较好的目标检测性能，但是实时性较差。基于回归分析方法不依赖于区域提议网络，能够直接从众多锚点中检测图像中船舶目标的位置和类别标签。典型的方法包括yolo系列、ssd、retinanet等。虽然该类方法能够满足实时性要求，但是检测精度相对较低。总体而言，基于深度学习的船舶目标检测方法能够充分提取船舶的特征信息，并且具有较好的检测准确度。但是，由于船舶目标多样性以及复杂背景等因素影响，导致现有方法常出现误检、漏检问题。
<
br/>技术实现思路
1、针对现有深度学习船舶目标检测算法在处理船舶遮挡、复杂岸基背景和漂浮物干扰、船舶尺度变化和恶劣天气等复杂环境下，存在误检和漏检的现象且模型参数量大的问题，本专利技术提出了一种基于特征增强的yolo-ships轻量化船舶目标检测方法，有效的实现在兼顾模型轻量化的同时具有较好的船舶检测精度。
2、本专利技术采用的技术手段如下：
3、一种基于特征增强的yolo-ships轻量化船舶目标检测方法，包括以下步骤：
4、获取待检测的船舶图像数据；
5、将所述待检测的船舶图像数据输入训练后的yolo-ships模型进行船舶目标检测，所述yolo-ships模型基于yolov5s网络改进获取，包括骨干网络、特征金字塔网络和路径聚合网络以及head网络：
6、在骨干网络中采用c3reghost模块替代yolov5s网络中的c3模块，采用s-ghostconv模块替换yolov5s网络中传统卷积，采用ghostsppf模块替换yolov5s网络中的sppf模块，在yolov5s网络中的骨干网络末端引入botnet模块，
7、在特征金字塔网络和路径聚合网络中引入c3reghost模块和egca船舶特征增强模块；
8、获取所述yolo-ships模型的输出作为船舶目标检测结果。
9、进一步地，所述s-ghostconv模块包括ghost模块和深度可分离卷积模块，并采用silu函数替换所述ghost模块中的relu激活函数。
10、进一步地，所述c3reghost模块根据以下方式构建：
11、在步长为2的s-ghostconv模块中嵌入eca注意力机制并引入通道混洗机制，从而构建c3reghost模块以替换原始的c3模块。
12、进一步地，所述s-ghostconv模块中的silu函数的表达式如下所示：
13、silu(x)＝x·sigmoid(x)
14、其中，x表示输入因子，sigmoid(x)表示标准的sigmoid函数。
15、进一步地，所述ghostsppf模块根据以下方式构建：
16、将原始sppf模块中传统卷积替换为s-ghostconv模块；
17、在ghostsppf模块中指定5×5、9×9和13×13三个卷积核，每次池化后的输出会成为下一个池化的输入。
18、进一步地，所述egca船舶特征增强模块根据以下方式构建：
19、在坐标注意力机制模块基础上引入残差结构和bam注意力模块的空间域分支结构，使模块对输入特征进行空间域和通道域的聚焦。
20、进一步地，对所述yolo-ships模型进行训练时，利用以下eiou损失函数定义网络边界框损失：
21、
22、其中，liou表示iou损失，ldis表示中心距离损失，lasp表示宽高损失，b和bgt分别表示预测框和真实框的中心点，ρ表示计算两个中心点间的欧氏距离，w、h和wgt、hgt分别代表预测框的高宽和真实框的高宽，cw和ch分别表示覆盖两个box的最小外接框的宽度和高度。
23、较现有技术相比，本专利技术具有以下优点：
24、1、本专利技术在骨干网络中，针对原始yolov5网络中c3模块提取早期特征时存在感受野不足的问题，设计了c3reghost模块，抑制复杂背景噪声的干扰，以提升网络对船舶特征的提取能力并降低模型参数量；在sppf模块中引入s-ghostconv替换传统卷积并增大卷积核，轻量化的同时扩大感受野进而提升了网络模型的特征表达能力，使网络能够适应船舶目标尺度变化差异较大的情况；针对船舶图像复杂岸基背景、船舶分类容易混淆的问题，引入botnet模块，利用多头注意力机制捕获图像特征的全局空间关系，以强化语义信息。
25、2、本专利技术在特征金字塔网络和路径聚合网络(fpn+pan)结构中，为了充分融合不同尺度大小的船舶深浅层特征信息，引入设计的c3reghost轻量化模块和egca船舶特征增强模块，通过空间域增强和跳跃连接改进坐标注意力机制，强化网络对船舶特征信息的描述力，抑制复杂背景等无关信息，提升网络模型的检测能力和定位精度。
26、3、本专利技术为了准确地实现船舶分类和边界框回归，利用eiou损失函数对网络边界框损失进行了重新设计，增强网络对不同尺度船舶的感知能力，进一步提升模型收敛速度及模型精度。
本文档来自技高网...
【技术保护点】
1.一种基于特征增强的YOLO-Ships轻量化船舶目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于特征增强的YOLO-Ships轻量化船舶目标检测方法，其特征在于，所述S-GhostConv模块包括Ghost模块和深度可分离卷积模块，并采用SiLU函数替换所述Ghost模块中的ReLU激活函数。
3.根据权利要求1所述的一种基于特征增强的YOLO-Ships轻量化船舶目标检测方法，其特征在于，所述C3REGhost模块根据以下方式构建：
4.根据权利要求2所述的一种基于特征增强的YOLO-Ships轻量化船舶目标检测方法，其特征在于，所述S-GhostConv模块中的SiLU函数的表达式如下所示：
5.根据权利要求1所述的一种基于特征增强的YOLO-Ships轻量化船舶目标检测方法，其特征在于，所述GhostSPPF模块根据以下方式构建：
6.根据权利要求1所述的一种基于特征增强的YOLO-Ships轻量化船舶目标检测方法，其特征在于，所述EGCA船舶特征增强模块根据以下方式构建：
>7.根据权利要求1所述的一种基于特征增强的YOLO-Ships轻量化船舶目标检测方法，其特征在于，对所述YOLO-Ships模型进行训练时，利用以下EIoU损失函数定义网络边界框损失：...
【技术特征摘要】
1.一种基于特征增强的yolo-ships轻量化船舶目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于特征增强的yolo-ships轻量化船舶目标检测方法，其特征在于，所述s-ghostconv模块包括ghost模块和深度可分离卷积模块，并采用silu函数替换所述ghost模块中的relu激活函数。
3.根据权利要求1所述的一种基于特征增强的yolo-ships轻量化船舶目标检测方法，其特征在于，所述c3reghost模块根据以下方式构建：
4.根据权利要求2所述的一种基于特征增强的yolo-ships轻量化船舶目标检测方法...
【专利技术属性】
技术研发人员：胡青，张宇，李文强，郭鹏程，陈文慧，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：
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。