一种基于深度学习的海上船舶识别方法.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CN111814693A(43)申请公布日2020.10.23(21)申请号202010663054.1(22)申请日2020.07.10(71)申请人江南大学地址214122江苏省无锡市蠡湖大道1800号(72)发明人肖志勇徐佳陈王彬州(74)专利代理机构大连理工大学专利中心21200代理人刘秋彤梅洪玉(51)Int.Cl.G06K9/00(2006.01)G06K9/40(2006.01)G06K9/62(2006.01)G06N3/04(2006.01)权利要求书3页说明书6页附图2页(54)发明名称一种基于深度学习的海上船舶识别方法(57)摘要一种基于深度学习的海上船舶识别方法，属于图像处理领域。首先通过无人机拍摄海面照片，海面照片构成数据集；对海面照片进行预处理；基于深度学习的用于无人机的海上船只识别方法构造的是解码与编码皆为5层的U型升级网络，每个U型神经网络中增加了残差块；预处理后的训练集送入U型神经网络，使用Adam梯度下降进行训练，训练过程中利用验证集来判断网络的精确度，并保留网络参数；然后将测试集输入训练好的网络中，将测试集输入U型神经网络中，使用交叉熵代价函数获得损失值，但不进行反向传播，并将得到的结果与真实标签图进行对比，以此来进行海上船只的识别。本方法简单、易操作，识别率可达90％，结果可信度高。CN111814693ACN111814693A权利要求书1/3页1.一种基于深度学习的海上船舶识别方法，其特征在于，步骤如下：步骤一、数据获取：通过无人机拍摄海面照片，海面照片构成数据集；步骤二、预处理数据集：对海面照片进行预处理；步骤三、U型神经网络构造：基于深度学习的用于无人机的海上船只识别方法构造的是解码与编码皆为5层的U型升级网络，每个U型神经网络中增加了残差块；步骤四、训练过程：预处理后的训练集送入U型神经网络，使用Adam梯度下降进行训练，训练过程中利用验证集来判断网络的精确度，并保留网络参数；步骤五、测试过程：将测试集输入训练好的网络中，将测试集输入U型神经网络中，使用交叉熵代价函数获得损失值，但不进行反向传播，并将得到的结果与真实标签图进行对比，以此来进行海上船只的识别。2.根据权利要求1所述的一种基于深度学习的海上船舶识别方法，其特征在于，所述步骤一具体包括：(1)对海面照片进行加权均值滤波处理；(2)将加权均值滤波处理后的图片裁剪成统一的尺寸，减去周围没有目标物的背景；(3)对裁剪完的数据集进行标签，生成对应的标签集；(4)将数据集以及对应的标签集按比例划分成测试集、验证集与训练；(5)对训练集进行旋转、平移、缩放、随机遮挡、水平翻转、颜色反差、噪声干扰数据增强操作。3.根据权利要求1所述的一种基于深度学习的海上船舶识别方法，其特征在于，所述的U型神经网络包括编码块、残差块和解码块；其中编码块是对预处理后的图像进行下采样，以此来提取图像特征；编码块包括5个卷积层，每个卷积层包括2个卷积、1个归一化、1个池化层和Relu激活函数；在编码阶段，每个卷积核大小为3x3，填充为1，池化层采用的是2x2的卷积池，步长为2；编码块中其他参数皆为默认值；解码块是对经过编码块处理后的图像进行上采样，并使其恢复为原来的尺寸大小；解码块包括5个上采样的卷积层，每个卷积层包括1个卷积、1个上采样、1个归一化、Relu激活函数；在解码阶段，每个卷积核大小为1，填充为0，步长为1；解码块最后一个卷积层作为输出层，输出层的激活函数为sigmoid函数。4.根据权利要求1所述的一种基于深度学习的海上船舶识别方法，其特征在于，所述的U型神经网络，在编码块的每一个卷积层卷积结束后都有一次残差块，每一个残差块包括1个卷积，1个归一化，为保证残差连接时维度不发生错误，残差块中的卷积大小为1*1，填充为0，最后将卷积的结果与残差的结果相加。5.根据权利要求1所述的一种基于深度学习的海上船舶识别方法，其特征在于，步骤四、训练过程具体如下：(1)预处理后的训练集送入U型神经网络中，依次通过包含五层卷积层的编码块，提取出图像的特征矩阵；将编码块得到的结果x输入到解码块，进行2倍的上采样，上采样后得到的结果g，将g和对应的编码块中的结果x进行相加，相加后通过激活函数Relu得到结果g’，之后利用残差块将g与g’进行相加后再进行卷积核大小为1，填充为0的卷积；(2)重复步骤(1)，将特征图上采样成原始图的尺寸；再利用激活函数sigmoid将特征图转换为与原始图相同尺寸的概率分布图；sigmoid函数作为输出层的激活函数，以此来判断2CN111814693A权利要求书2/3页当前像素点是否是船只；(3)使用交叉熵代价函数将得到的概率分布图真实标签图进行对比；(4)根