(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 202211359300.X (22)申请日 2022.11.02 (71)申请人 中国船舶集团有限公司第七〇七研 究所 地址 300131 天津市红桥区丁字沽一 号路 268号 申请人 中国船舶重 工集团公司第七0七研 究所九江分部 (72)发明人 韦一　孟凡彬　张妙藏　武智强　 侯春艳　 (74)专利代理 机构 北京品源专利代理有限公司 11332 专利代理师 严慧 (51)Int.Cl. G06V 20/40(2022.01)G06V 10/82(2022.01) G06V 10/774(2022.01) G06V 10/74(2022.01) (54)发明名称 基于海上目标的图像检测方法、 装置、 设备 及介质 (57)摘要 本发明公开了基于海上目标的图像检测方 法、 装置、 设备及介质。 通过 获取待检测的船载摄 像头的视频流数据， 并通过OpenCV图像提取技 术， 得到视频流数据对应的原始图像； 将原始图 像划分为N*N块拆分图像； 将各拆分图像分别输 入至预先训练好的图像检测深度神经网络模型 中， 得到各拆分图像检测结果； 将各拆分图像检 测结果进行合并操作， 得到图像检测结果。 本发 明的技术方案针对海上目标检测效果不稳定和 海上目标训练数据难以获取且数据信息冗余度 高的问题， 构建海上目标的数据清洗、 数据增强 流程， 提高了海 上目标图像检测的稳定性和可靠 性， 从而能够更好地进行图像检测， 提高用户的 体验， 为提高智能船舶自主化程度提供有力支 撑。 权利要求书3页 说明书12页 附图2页 CN 115410140 A 2022.11.29 CN 115410140 A 1.一种基于海上目标的图像 检测方法， 其特 征在于， 包括： 获取待检测的船载摄像头的视频流数据， 并通过OpenCV图像提取技术， 得到所述视频 流数据对应的原 始图像； 将所述原 始图像划分为 N*N块拆分图像， 其中， N 为大于1的整数； 将各所述拆分图像分别输入至预先训练好的图像检测深度神经网络模型中， 得到各拆 分图像检测结果； 将各所述拆分图像 检测结果进行合并操作， 得到图像 检测结果。 2.根据权利要求1所述的方法， 其特征在于， 在所述将各所述拆分图像分别输入至预先 训练好的图像 检测深度神经网络模型中， 得到各拆分图像 检测结果之前， 还 包括： 获取船载摄像头的历史视频流数据， 并通过FFMPEG抽帧库对所述历史视频流数据进行 视频抽帧， 得到历史图像数据集； 通过词袋模型， 对所述历史图像数据集中的历史图像进行数据清洗， 得到历史清洗 图 像数据集； 将所述历史清洗图像数据集中的历史清洗图像进行数据增强处理， 得到历史增强图像 数据集； 将所述历史增强图像数据 集中的历史增强图像输入至改进YOLOV7 ‑tiny图像检测深度 神经网络中， 当计算出的CIOU损失函数值满足损失函数值条件时， 得到训练好的图像检测 深度神经网络模型。 3.根据权利要求2所述的方法， 其特征在于， 所述通过词袋模型， 对所述历史图像数据 集中的历史图像进行 数据清洗， 得到目标历史图像数据集， 具体包括： 通过词袋模型， 分别计算所述历史图像数据集中的两两历史图像对之间的词袋模型评 分； 识别所述词袋模型评分大于或者等于词袋模型评分阈值的目标历史图像对， 并删除所 述目标历史图像对中的一张目标历史图像； 识别所述词袋模型评分小于词袋模型评分阈值的目标历史图像对， 并保留所述目标历 史图像对中的两张所述目标历史图像； 将保留下的所述目标历史图像进行合并， 得到所述历史清洗图像数据集。 4.根据权利要求3所述的方法， 其特征在于， 所述分别计算所述历史图像数据集中的两 两历史图像对之间的词袋模型评分， 包括： 根据公式 ， 分别计算所述历史图像数据集中的两 两历史图像对之间的词袋模型评分 ； 其中， 为单词 在单个历史图像中出现的频率； 为单词逆序 数； 为单词在历 史图像中出现的频率； 为历史图像A中的单词； 为历史图像B中的单词； 为历史图权　利　要　求　书 1/3 页 2 CN 115410140 A 2像A中词袋的合集； 为历史图像B中词 袋的合集； n为词袋出现的次数； A为历史图像A； B为 历史图像B； i 为单词对应的可变参数。 5.根据权利要求 4所述的方法， 其特 征在于， 所述 根据公式 ， 分别计算所述历史图像数据集中的两两历史图像对 之间的词袋模型评分 ， 包括： 根据公式 ， 计算得到单词 在目标单个历史图像中出现的频率 ； 其中， 为 单词 在目标单个历史图像中出现的次数； 为单词 在所有历史图像中出现的次数； 根据公式 ， 计算得到单词逆序数 。 6.根据权利要求2所述的方法， 其特征在于， 所述将所述历史清洗图像数据集中的历史 清洗图像进行 数据增强处 理， 得到历史增强图像数据集， 包括： 将所述历史清洗图像数据集中的历史清洗图像通过高斯模糊操作进行数据增强处理， 得到第一历史增强图像； 将所述历史清洗图像数据集中的历史清洗图像通过调 整亮度操作进行数据增强处理， 得到第二历史增强图像； 将所述历史清洗图像数据集中的历史清洗图像通过增加噪点操作进行数据增强处理， 得到第三历史增强图像； 将所述历史清洗图像数据集中的历史清洗图像通过复制操作进行数据增强处理， 得到 第四历史增强图像； 将历史清洗图像、 第一历史增强图像、 第二历史增强图像、 第三历史增强图像和第四历 史增强图像进行合并， 得到历史增强图像数据集。 7.根据权利要求2所述的方法， 其特征在于， 所述将所述历史增强图像数据集中的历史 增强图像输入至改进YOLOV7 ‑tiny图像检测深度神经网络中， 当计算出的CIOU损失函数值 满足损失函数值条件时， 得到训练好的图像 检测深度神经网络模型， 包括： 将所述历史增强图像数据 集中的历史增强图像输入至改进YOLOV7 ‑tiny图像检测深度 神经网络中； 其中， 历史增强图像为1280*1280的分辨率； 改进YOLOV7 ‑tiny图像检测深度神 经网络 是基于YOLOV7 ‑tiny图像检测深度神经网络进行改进得到； 在改进YOLOV7 ‑tiny图像检测深 度神经网络中的第17层到第20层， 分别增加对第一特征图进行上采样处理； 在改进Y OLOV7‑ tiny图像检测深度神经网络中的第20层中得到第二特征图， 增加将所述第二特征图与第2 层对应的第三特 征图进行 特征融合的处 理操作；权　利　要　求　书 2/3 页 3 CN 115410140 A 3