一种基于图像深度学习的海上目标识别方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114299373A(43)申请公布日2022.04.08(21)申请号202111624788.XG06N3/08(2006.01)(22)申请日2021.12.28G06V10/762(2022.01)(71)申请人航天科工智能运筹与信息安全研究院（武汉）有限公司地址430040湖北省武汉市临空港经济技术开发区五环大道666号(72)发明人赵琛李子文王庆兵黄攀刘明洁张王成王雪闫雪娇(74)专利代理机构中国兵器工业集团公司专利中心11011代理人王雪芬(51)Int.Cl.G06V20/00(2022.01)G06K9/62(2022.01)G06N3/04(2006.01)权利要求书2页说明书4页附图3页(54)发明名称一种基于图像深度学习的海上目标识别方法(57)摘要本发明涉及一种基于图像深度学习的海上目标识别方法，属于人工智能图像识别相关技术领域。为快速准确的识别出海上目标，满足态势评定与威胁评估的需要，为指挥决策提供重要依据，本发明提供了一种基于图像深度学习的海上目标识别方法。对比传统海上识别目标的方式，本发明技术方案的准确性、时效性、智能化程度都得到了极大提高。CN114299373ACN114299373A权利要求书1/2页1.一种基于图像深度学习的海上目标识别方法，其特征在于，包括以下步骤：S1、获取海上目标图像，分别形成样本集和预测集，对所述样本集进行图像预处理，并构造训练标签；S2、将所述海上目标图像的训练标签输入改进的YOLOv3识别模型中，训练得到海上目标识别模型；S3、将海上目标图像的预测集，输入步骤S2得到的海上目标识别模型中，进行目标检测，获得海上目标图像的属性信息，作为最终的目标检测结果；所述属性信息包括类别。2.如权利要求1所述的方法，其特征在于，步骤S1中，对样本集进行图像预处理，并构造训练标签具体为：S1.1、搜集海上目标图像，将海上目标图像的样本集裁剪成固定大小；S1.2、对所述样本集中的海上舰船进行目标框标注，目标框的信息参数包括：x_center、y_center、w、h，分别对应中心点横坐标、中心点纵坐标、目标框的宽、目标框的高，同时给出每个目标的分类，将标注后的信息存放在xml文件中；S1.3、构造训练标签：利用YOLOv3模型将一张图片分为S*S的网格，每个网格负责预测一个目标，每个预测目标的参数包含x_center、y_center、w、h、confidence、prob，每个目标框有n_anchor个先验框，所以最后输入训练标签的特征shape为[batch_size,S,S,n_anchor*(5+class)]，其中batch_size为批尺寸，class为标准点，遍历所述xml文件，根据目标框中心坐标计算出网格的序号作为目标的索引，然后将网格的序号填充在xml文件里面。3.如权利要求1所述的方法，其特征在于，所述改进YOLOv3识别模型是基于海上目标图像，对所述初始YOLOv3模型进行解析而生成的，在基于YOLOv3网络的主干网络中，使用DarkNet53作为特征提取网络，其中添加残差网络；引进先验框，通过聚类的方式得到先验框，作为回归的参考。4.如权利要求1所述的方法，其特征在于，所述改进的YOLOv3识别模型的卷积神经网络可对输入的训练集的海上目标图像进行不同大小的卷积运算，形成海上目标图像的不同尺度的特征度；卷积神经网络学习海上目标图像不同尺度的特征，实现对海上目标多个尺度的检测。5.如权利要求1所述的方法，其特征在于，将收集到的海上目标图像，输入到改进的YOLOv3识别模型中，改进型的YOLOv3识别模型会预测三个不同大小的3D张量3Dtensor，对应三个不同的规模scale。6.如权利要求1所述的方法，其特征在于，将待检测的海上目标图像，分成S*S的网格，每个网格预测C个矩形框以及所述矩形框的置信度；其中，S表示划分网格数；B表示每个网格负责的边框个数；选择置信度分数值最大的海上目标先验边界框，通过逻辑回归函数对待检测的海上目标图像的位置进行预测。7.如权利要求1所述的方法，其特征在于，所述改进的YOLOv3识别模型的预测输出是海上目标网格的单元坐标、预测前边界框的宽、高；改进的YOLOv3识别模型使用逻辑回归的方法预测每个边界框的分数。8.如权利要求1所述的方法，其特征在于，在所述改进的YOLOv3识别模型中，构建损失函数作为度量预测值与真实值之间误差的评判标准。9.如权利要求8所述的方法，其特征在于，对于海上目标的坐标，所述损失函数采用误2CN114299373A权利要求书2/2页差平方和损失函数，置信度以及类别采用二元交叉熵损失函数，在3种不同的规模上预测，且每种规模预测3