【技术实现步骤摘要】
本专利技术涉及图像识别，具体涉及一种航海雷达图像识别方法、装置、电子设备及存储介质。
技术介绍
1、航海雷达（marine radar）是一种能够在恶劣气象和夜间低能见度条件下探测船舶目标的技术。相比自动识别系统（ais）、高频无线电（vhf）等方法，航海雷达无需获取船舶的实时响应，可以极大提高船舶航行信息的获取速度。因此，航海雷达已成为海上船舶识别的重要途径。航海雷达船舶识别任务主要分为长尾迹船舶识别和短尾迹船舶识别。一般情况下，长尾迹船舶的光点和尾迹特征明显，此类船舶的特征获取以及目标识别难度较低；而短尾迹船舶的像素特征与海港环境中的礁石、岛屿等十分相似，此类船舶的识别过程容易受到诸多背景干扰物的影响，导致此类目标的识别难度较大。
2、此外，航海雷达图像中的船舶绝大多数是小尺度目标，呈现的可利用特征较少，尤其是，当船舶靠近海岸线时，利用常用的参照物标定、滤波、模式识别等技术无法对船舶光点与海岸背景进行有效区分。由于存在上述问题，对小尺度的船舶进行有效特征提取及识别成为本专利技术关注的重点和难点。
3、因此，急需提出一种高效的航海雷达图像识别方法及系统，解决现有技术中存在的无法对航海雷达图像下船舶目标进行准确识别的问题。
技术实现思路
1、针对现有技术中存在的问题，本专利技术提供了一种一种航海雷达图像识别方法、装置、电子设备及存储介质，用以解决现有技术中存在的无法对航海雷达图像下船舶目标进行准确识别的技术问题。
2、为了实现上述目的，本专利技术
3、构建efficientnet-s网络模型；
4、构建航海雷达船舶图像数据集，基于所述数据集构建训练集和验证集和测试集；
5、基于所述训练集和所述验证集对所述efficientnet-s网络模型进行训练，以及基于所述测试集对训练后的模型进行测试，得到航海雷达图像识别模型；
6、将待识别的航海雷达图像输入至所述航海雷达图像识别模型，得到船舶识别结果；
7、其中，所述efficientnet-s网络模型，包括：特征提取网络和与所述特征提取网络连接的特征融合网络；
8、特征提取网络包括多层依次连接的sa卷积层以及与最后一层sa卷积层连接的simam注意力层；
9、特征融合网络包括：自顶向下的特征融合结构和自底向上的特征融合结构；
10、所述自顶向下的特征融合结构包括依次连接的：第一深度可分离卷积层、第一常规卷积层、第一上采样层、第一拼接层、第二深度可分离卷积层、第二常规卷积层、第二上采样层、第二拼接层、第三深度可分离卷积层和第三常规卷积层；
11、所述自底向上的特征融合结构包括依次连接的：第四常规卷积层、第一下采样层、第三拼接层、第四深度可分离卷积层、第五常规卷积层、第二下采样层、第四拼接层、第五深度可分离卷积层和第六常规卷积层；所述第四常规卷积层还与所述第三常规卷积层连接，所述第三拼接层还与所述第二常规卷积层连接，所述第四拼接层还与所述第一常规卷积层连接。
12、进一步地，所述特征提取网络还包括分别与所述第四常规卷积层、所述第五常规卷积层和所述第六常规卷积层连接的三个预测通道；
13、每一所述预测通道基于指标对预测框非极大值进行抑制，以及基于cluster-iou函数对预测框进行定位损失计算。
14、进一步的，所述指标的计算公式如下：其中，p为目标的预测框面积，g为目标的真实框面积，表示两框的交集面积，表示两框的并集面积，c为预测框和真实框的最小闭合区域面积，为第一调整系数，取值范围为0-1，为第二调整系数，取值范围为0-1。
15、进一步地，所述基于所述训练集和所述验证集对所述efficientnet-s网络模型进行训练，以及基于所述测试集对训练后的模型进行测试，得到航海雷达图像识别模型，包括：
16、基于所述训练集和所述验证集对所述efficientnet-s网络模型进行训练，且在训练过程中利用余弦退火学习率衰减方法对训练过程中的学习率衰减过程进行控制，以得到航海雷达图像识别模型。
17、进一步地，所述基于所述训练集和所述验证集对所述efficientnet-s网络模型进行训练，且在训练过程中利用余弦退火学习率衰减方法对训练过程中的学习率衰减过程进行控制，以得到航海雷达图像识别模型，包括：
18、基于所述训练集和所述验证集对所述efficientnet-s网络模型进行训练，且在训练过程中利用余弦退火学习率衰减方法对训练过程中的学习率衰减过程进行控制，得到初步模型；
19、基于所述测试集对初步模型的召回率、准确率和精确率进行度量，在召回率、准确率和精确率均满足预设标准的情况下，确定初步模型为识别模型。
20、进一步地，所述特征提取网络的输出端通过spp模块与所述自顶向下的特征融合结构的输入端连接；spp模块包括四层最大池化层。
21、进一步地，sa卷积层包括依次连接的：第七常规卷积层、第六深度可分离卷积层、simam注意力层、第八常规卷积层、随机失活层和第五拼接层。
22、本专利技术还提供一种航海雷达图像识别装置，包括：
23、第一构建模块，用于构建efficientnet-s网络模型；
24、第二构建模块，用于构建航海雷达船舶图像数据集，基于所述数据集构建训练集和验证集和测试集；
25、训练测试模块，用于基于所述训练集和所述验证集对所述efficientnet-s网络模型进行训练，以及基于所述测试集对训练后的模型进行测试，得到航海雷达图像识别模型；
26、识别模块，用于将待识别的航海雷达图像输入至所述航海雷达图像识别模型，得到船舶识别结果；
27、其中，所述efficientnet-s网络模型，包括：特征提取网络和与所述特征提取网络连接的特征融合网络；
28、特征提取网络包括多层依次连接的sa卷积层以及与最后一层sa卷积层连接的simam注意力层；
29、特征融合网络包括：自顶向下的特征融合结构和自底向上的特征融合结构；
30、所述自顶向下的特征融合结构包括依次连接的：第一深度可分离卷积层、第一常规卷积层、第一上采样层、第一拼接层、第二深度可分离卷积层、第二常规卷积层、第二上采样层、第二拼接层、第三深度可分离卷积层和第三常规卷积层；
31、所述自底向上的特征融合结构包括依次连接的：第四常规卷积层、第一下采样层、第三拼接层、第四深度可分离卷积层、第五常规卷积层、第二下采样层、第四拼接层、第五深度可分离卷积层和第六常规卷积层；所述第四常规卷积层还与所述第三常规卷积层连接，所述第三拼接层还与所述第二常规卷积层连接，所述第四拼接层还与所述第一常规卷积层连接。
32、本专利技术还提供一种电子设备，包括存储器和处理器，其中，
33、所述存储器，用于存储程序；...
【技术保护点】
1.一种航海雷达图像识别方法，其特征在于，步骤包括：
2.根据权利要求1所述的一种航海雷达图像识别方法，其特征在于，所述特征提取网络还包括分别与所述第四常规卷积层、所述第五常规卷积层和所述第六常规卷积层连接的三个预测通道；
3.根据权利要求2所述的一种航海雷达图像识别方法，其特征在于，所述指标的计算公式如下：其中，P为目标的预测框面积，G为目标的真实框面积，表示两框的交集面积，表示两框的并集面积，C为预测框和真实框的最小闭合区域面积，为第一调整系数，取值范围为0-1，为第二调整系数，取值范围为0-1。
4.根据权利要求1所述的一种航海雷达图像识别方法，其特征在于，基于所述训练集和所述验证集对所述EfficientNet-S网络模型进行训练，以及基于所述测试集对训练后的模型进行测试，得到航海雷达图像识别模型，包括：
5.根据权利要求1所述的一种航海雷达图像识别方法，其特征在于，基于所述训练集和所述验证集对所述EfficientNet-S网络模型进行训练，且在训练过程中利用余弦退火学习率衰减方法对训练过程中的学习率衰减过程进行控制，以得
6.根据权利要求1所述的一种航海雷达图像识别方法，其特征在于，所述特征提取网络的输出端通过SPP模块与所述自顶向下的特征融合结构的输入端连接；所述SPP模块包括四层最大池化层。
7.根据权利要求1-6任一项所述的航海雷达图像识别方法，其特征在于，所述SA卷积层包括依次连接的：第七常规卷积层、第六深度可分离卷积层、SimAM注意力层、第八常规卷积层、随机失活层和第五拼接层。
8.一种航海雷达图像识别装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括存储器和处理器，其中，
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的航海雷达图像识别方法。
...【技术特征摘要】
1.一种航海雷达图像识别方法，其特征在于，步骤包括：
2.根据权利要求1所述的一种航海雷达图像识别方法，其特征在于，所述特征提取网络还包括分别与所述第四常规卷积层、所述第五常规卷积层和所述第六常规卷积层连接的三个预测通道；
3.根据权利要求2所述的一种航海雷达图像识别方法，其特征在于，所述指标的计算公式如下：其中，p为目标的预测框面积，g为目标的真实框面积，表示两框的交集面积，表示两框的并集面积，c为预测框和真实框的最小闭合区域面积，为第一调整系数，取值范围为0-1，为第二调整系数，取值范围为0-1。
4.根据权利要求1所述的一种航海雷达图像识别方法，其特征在于，基于所述训练集和所述验证集对所述efficientnet-s网络模型进行训练，以及基于所述测试集对训练后的模型进行测试，得到航海雷达图像识别模型，包括：
5.根据权利要求1所述的一种航海雷达图像识别方法，其特征在于，基于所述训练集和所述验证集对...
【专利技术属性】
技术研发人员：孙杰，马枫，康哲，陈晨，
申请(专利权)人：南京智慧水运科技有限公司，
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。