一种基于改进YOLOv3的水面障碍物检测方法技术

本发明专利技术公开了一种基于改进YOLOv3的水面障碍物检测方法，包括：采集水面障碍物图像并获取数据集；对数据集进行加雾加雨数据增强处理；对数据集使用K‑means++聚类算法进行优化以获得新的锚框；对原YOLOv3进行特征提取网络结构改进，获得轻量化检测模型：对主干网络残差结构优化，将普通卷积层替换成深度可分离卷积；在残差结构中引入SimAM注意力模块；引入SIoU预测框损失函数，重新定义惩罚比；利用数据集对改进的YOLOv3模型进行训练，得到最好权重文件，并对测试集图像分类和定位。本发明专利技术可有效解决无人艇自主航行中对水面常见障碍物检测精度不够、模型参数量较大、模型复杂难以应用于嵌入式设备的问题。

【技术实现步骤摘要】

本专利技术属于智能船舶，具体涉及一种基于改进yolov3的水面障碍物检测方法。

技术介绍

1、目前在船舶
，智能无人艇的发展最为突出，智能无人艇得到快速发展的前提是对附近水面障碍物进行有效的感知。但是传统的障碍物检测成本大、效率低下且精度不够，而基于深度学习的目标检测拥有精度高、速度快的优势，能够解决智能无人艇自主航行过程中对水面常见障碍物检测的问题。

2、在计算机视觉领域基于深度学习的目标检测算法，主要分为one-stage和two-stage两大类。其中two-stage是以ssp-net、fast r-cnn以及r-fcn为代表，主要通过生成区域候选框进行目标分类的方法，其检测效果好，但是速度比较慢；而one-stage是一种端到端对整张图片进行检测的方法，单次检测就能获得最终的检测结果，但是精度效果较差，如yolo、ssd等。一般情况下，要求既要满足准确性和高效性，又要能够在复杂的环境下拥有较好的检测结果，为满足以上需求，科研工作人员已经做大量研究工作，比如taoliu等人提出了一种基于yolov4的反向深度可分离卷积的海面目标检本文档来自技高网...

【技术保护点】

1.一种基于改进YOLOv3的水面障碍物检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于改进YOLOv3的水面障碍物检测方法，其特征在于，在步骤2中所述的对水面障碍物数据集进行加雾加雨数据增强处理，包括：

3.根据权利要求1所述的一种基于改进YOLOv3的水面障碍物检测方法，其特征在于，在步骤3中所述的对水面障碍物数据集使用K-means++聚类算法进行锚框优化，获得新的锚框，包括：

4.根据权利要求1所述的一种基于改进YOLOv3的水面障碍物检测方法，其特征在于，在步骤4中所述的对YOLOv3的网络结构进行改进，包括：

<...

【技术特征摘要】

1.一种基于改进yolov3的水面障碍物检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于改进yolov3的水面障碍物检测方法，其特征在于，在步骤2中所述的对水面障碍物数据集进行加雾加雨数据增强处理，包括：

3.根据权利要求1所述的一种基于改进yolov3的水面障碍物检测方法，其特征在于，在步骤3中所述的对水面障碍物数据集使用k-means++聚类算法进行锚框优化，获得新的锚框，包括：

4.根据权利要求1所述的一种基于改进yo...

【专利技术属性】
技术研发人员：管延敏，闫帅帅，王添羽，韦龙，虞嘉晨，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：