(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211030296.2 (22)申请日 2022.08.26 (71)申请人 中船航海科技有限责任公司 地址 200136 上海市浦东 新区金桥路5 35号 (72)发明人 郭富海　李晨浩　王鸿显　张政　 杜鹏　胡春洋　陈秀敏　 (74)专利代理 机构 上海智力专利商标事务所 (普通合伙) 31105 专利代理师 周涛 (51)Int.Cl. G06V 20/10(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/25(2022.01) G06V 10/44(2022.01)G06V 10/75(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于深度学习的船舶目标识别检测方 法 (57)摘要 本发明公开了一种基于深度学习的船舶目 标识别检测方法， 包括如下步骤： (1)采集船舶航 行水域的图像样本； (2)对 图像进行预处理及标 注； (3)进行数据增强， 制作用于训练的数据集； (4)基于YOLOv 4网络构建深度学习网络模型； (5) 使用预训练的参数作为初始 权重， 训练深度学习 网络； (6)将处理后的待检测图片输入骨干网络 进行特征提取， 经过颈部网络进行特征融合， 并 进行非极大值抑制操作， 完成对船舶目标的预 测； (7)进行输 出后处理， 使用置信 度阈值进行结 果过滤， 结合其他指标判断得到最优的检测结 果。 本发明在复杂海域中提高小目标检测能力和 多目标分类效果。 权利要求书2页 说明书7页 附图5页 CN 115471746 A 2022.12.13 CN 115471746 A 1.一种基于深度学习的船舶目标识别检测方法， 其特 征在于， 包括如下步骤： (1)采集船舶航行 水域的图像样本； (2)对图像进行 预处理及标注； (3)进行数据增强， 制作用于训练的数据集； (4)基于YOLOv4网络构建深度学习网络模型； (5)使用预训练的参数作为初始权 重， 训练深度学习网络； (6)将处理后的待检测图片输入骨干网络进行特征提取， 经过颈部网络进行特征融合， 并进行非极大值抑制操作， 完成对船舶目标的预测； (7)进行输出后处理， 使用置信度阈值进行结果过滤， 结合其他指标判断得到最优的检 测结果。 2.根据权利要求1所述的基于深度学习的船舶目标识别检测方法， 其特征在于， 所述步 骤(2)中， 对采集的图像使用LabelImage进行至少以下五种海面目标的标注： 散货船、 集装 箱船、 渔船、 游轮、 岛屿。 3.根据权利要求1所述的基于深度学习的船舶目标识别检测方法， 其特征在于， 所述步 骤(3)中， 使用Mosaic数据增强的方法制作用于训练的数据集， 采用4张图片一组， 随机缩 放、 随机裁剪、 随机排布的方式进行拼接， 得到新的4张图像， 使其输入总数不变， 并对得到 的新的图像采取随机遮挡。 4.根据权利要求3所述的基于深度学习的船舶目标识别检测方法， 其特征在于， 所述步 骤(4)中， 所述深度学习网络模型包括骨干特征提取网络、 SPP结构、 PANet多路径特征融合 结构和Head检测头结构； 所述骨干特征提取网络使用尺寸为640*640的RGB图像作为输入， 经过卷积、 Batch  Normalization和Mish激活函数后， 再通过尺寸分别为(320， 320， 64)， (160， 160， 128)， (80， 80， 256)， (40， 40， 512)， (20， 20， 1024)的残差块结构； 进行特征提取 后， 最后一个残差块的输出经过SPP结构， 拼接后将经过CSP与CBL结构的结果与主干网络倒 数第二和倒数第三个残差块的输出结果一起作为PANet结构的输入； 所述PANet结构， 进行 一系列的上采样、 下采样和卷积操作， 并将三个输入进行多路径特征融合处理， 然后输入 Head； 所述Head将输出解码前船舶的目标坐标信息， 包括目标框横坐标x、 目标框纵坐标y、 目标框宽w及目标框高h， 分类置信度和目标有无置信度。 5.根据权利要求1所述的基于深度学习的船舶目标识别检测方法， 其特征在于， 所述步 骤(5)中， 引入自适应锚框计算模块， 在训练的过程中自动计算锚框， 网络在初始锚框的基 础上输出 预测框， 进 而和真实框进行比对， 计算两者差距， 再反向更新， 迭代网络参数。 6.根据权利要求1所述的基于深度学习的船舶目标识别检测方法， 其特征在于， 步骤 (6)中所述骨干网络为Darknet ‑53， 在Darknet ‑53中将特征注意模块FA嵌入调整后的残差 结构中， 对特征通道关系中的特征权重进行重新分配， 在全局平均池化前加入1 ×1和3×3 的卷积， 实现跨通道信息集 成， 增强船舶图像的空间连通能力； 然后， 通过全局平均池化， 将 特征图的全局空间信息转 化为一维向量 求和， 得到特 征图的全局信息 。 7.根据权利要求6所述的基于深度学习的船舶目标识别检测方法， 其特征在于， 所述全 局平均池化公式如下:权　利　要　求　书 1/2 页 2 CN 115471746 A 2其中， Gc为特征 图全局平均池化后的向量和， H和W为输入特征图的宽度和高度， Uc(i, j)为第c通道Uc在(i,j)处的值。 8.根据权利要求4所述的基于深度学习的船舶目标识别检测方法， 其特征在于， 所述步 骤(6)中， 对Mosaic数据增强后的图像自适应添加最少的黑边， 进行标准化处理， 缩放到 640*640大小， 并转换为RGB图片； 标准化的图片输入到训练好的网络中， 得到Head的输出； Head的输出将包括三个特征层， 每个特征层分别划分20*20， 40*40和80*80个网格， 每个格 点将对应三个anchor， 每个anchor在其对应的网格点内进行中心偏移和长宽放缩； 对于解 码， 首先将预测结果根据对应anchor的原始尺寸进行比例放缩， 然后根据网格划分与 anchor中心的偏移 量计算出预测框相对于标准化输入图的长宽和位置， 最后根据标准化处 理时所加入的灰色边框过滤掉多余的预测； 解码后， 将进行非极大值抑制操作， 直接选择置 信度最高的一个目标作为输出。 9.根据权利要求4所述的基于深度学习的船舶目标识别检测方法， 其特征在于， 所述步 骤(7)中， 对步骤(6)的输出先进行输出区域阈值过滤， 防止网络在没有船舶目标时给出预 测， 减少误检； 然后使用置信度阈值进 行最后的结果过滤， 即置信度大于阈值的船舶目标被 输出作为 最终预测。 10.根据权利要求9所述的基于深度学习的船舶目标识别检测方法， 其特征在于， 所述 输出区域阈值包括宽度方向阈值和高度方向阈值两个部 分， 其中所述宽度方向阈值为船舶 目标的中心坐标距所在图片边界的距离， 所述高度方向阈值 为整张图片宽和高的比值。 11.根据权利要求1所述的基于深度学习的船舶目标识别检测方法， 其特征在于， 步骤 (7)中所述其他指标包括目标边界框、 定位置信度、 所有类别概率图， 定位置信度大于阈值 的船舶目标被输出作为预测结果； 目标边界框与预测 边界框偏移量小于一定值、 所有类别 概率图中概 率大的为所检测目标。权　利　要　求　书 2/2 页 3 CN 115471746 A 3