CN110826529A - 一种基于深度学习的海面船只检测方法 - Google Patents

一种基于深度学习的海面船只检测方法 Download PDF

Info

Publication number
CN110826529A
CN110826529A CN201911151161.XA CN201911151161A CN110826529A CN 110826529 A CN110826529 A CN 110826529A CN 201911151161 A CN201911151161 A CN 201911151161A CN 110826529 A CN110826529 A CN 110826529A
Authority
CN
China
Prior art keywords
angle
sea surface
data set
image
ship
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201911151161.XA
Other languages
English (en)
Inventor
林科
覃志松
甘国宁
卢艳梅
张纪元
满瑞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guilin University of Electronic Technology
Original Assignee
Guilin University of Electronic Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guilin University of Electronic Technology filed Critical Guilin University of Electronic Technology
Priority to CN201911151161.XA priority Critical patent/CN110826529A/zh
Publication of CN110826529A publication Critical patent/CN110826529A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度学习的海面船只检测方法，包括如下步骤：S1、利用无人机拍摄海面船只图像数据；S2、完成所述图像数据的预处理，构成训练数据集；S3、用coco数据集预训练inception v4深度神经网络，然后用所述训练数据集训练该模型，微调深度神经网络中的各项参数，获得ssd_inception_v4_coco模型；S4、利用无人机拍摄海面船只视频数据，调用视频取帧脚本，每隔一定帧数获取一张图像，得检测数据集；S5、利用步骤S3所得的ssd_inception_v4_coco模型对所得的检测数据集进行检测，输出检测结果。本发明可实现海上船只的实时识别，且识别精确度高。

Description

一种基于深度学习的海面船只检测方法
技术领域
本发明涉及海面船只识别技术领域，具体涉及一种基于深度学习的海面船只检测方法。
背景技术
水面船只识别可以有效的解决水面交通管理，打击非法犯罪，水面险情及时预警等突发情况。随着现代科技的发展，水面环境越来约复杂，对水面监控、船只识别及自动报警的需求也越来越大。
目前，应用于海面船只的识别算法主要是SVM算法，其存在无法实现实时识别，运行时间过长，识别率较低等缺陷。
发明内容
为解决上述问题，本发明提供了一种基于深度学习的海面船只检测方法，可实现海上船只的实时识别，且识别精确度高。
为实现上述目的，本发明采取的技术方案为：
一种基于深度学习的海面船只检测方法，包括如下步骤：
S1、利用无人机拍摄海面船只图像数据；
S2、完成所述图像数据的预处理，构成训练数据集；
S3、用coco数据集预训练inception v4深度神经网络，然后用所述训练数据集训练该模型，微调深度神经网络中的各项参数，获得ssd_inception_v4_coco模型；
S4、利用无人机拍摄海面船只视频数据，调用视频取帧脚本，每隔一定帧数获取一张图像，得检测数据集；
S5、利用步骤S3所得的ssd_inception_v4_coco模型对所得的检测数据集进行检测，输出检测结果。
进一步地，所述人机拍摄到的船只图像数据和视频数据均携带配套的POS数据，该POS数据至少包括拍摄纬度、经度、高程、航向角（Phi）、俯仰角（Omega）及翻滚角（Kappa）；
进一步地，所述步骤S2根据图像数据的航向角（Phi）、俯仰角（Omega）及翻滚角（Kappa）实现图像数据的重构，重构时，以标准图像的航向角（Phi）、俯仰角（Omega）及翻滚角（Kappa）为基准，首先计算当前图像的航向角（Phi）、俯仰角（Omega）及翻滚角（Kappa）与标准图像的航向角（Phi）、俯仰角（Omega）及翻滚角（Kappa）的差值（即偏转角度），然后根据所得差值重新绘制每个图像。
进一步地，所述检测数据集在输入ssd_inception_v4_coco模型时，首先需以标准图像的航向角（Phi）、俯仰角（Omega）及翻滚角（Kappa）为基准完成检测数据集的重构。
进一步地，所述ssd_inception_v4_coco模型采用ssd目标检测算法。
进一步地，还包括在发现船只时，在对应的图像中圈定船只区域，并标注船只识别结果的步骤。
进一步地，还包括在发现船只时，将完成标识后的图像数据、图像采集时间、其对应的经纬度坐标填入预设的excel表格进行汇总的步骤。
本发明具有以下有益效果：
基于ssd_inception_v4_coco模型实现了海面船只的实时识别，运算速率较快的同时，识别准确率较高。
首先基于coco数据集预训练inception v4深度神经网络，然后用所述训练数据集训练该模型，从而可以大大提高识别的精确度。
生成了船只识别结果及其对应的经纬度的汇总表，方便工作人员通过定位排查，从而提高了工作效率。
以采用航向角（Phi）、俯仰角（Omega）及翻滚角（Kappa）重构后的图像作为训练集和测试集，可以进一步的提高识别准确率。
附图说明
图1为本发明实施例1的流程图。
图2为本发明实施例2的流程图。
图3为本发明实施例3的流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
实施例1
如图1所示，一种基于深度学习的海面船只检测方法，包括如下步骤：
S1、利用无人机拍摄海面船只图像数据；所述人机拍摄到的船只图像数据携带配套的POS数据，该POS数据至少包括拍摄纬度、经度、高程、航向角（Phi）、俯仰角（Omega）及翻滚角（Kappa）；
S2、完成所述图像数据的预处理，构成训练数据集；具体的，根据图像数据的航向角（Phi）、俯仰角（Omega）及翻滚角（Kappa）实现图像数据的重构，重构时，以标准图像的航向角（Phi）、俯仰角（Omega）及翻滚角（Kappa）为基准，首先计算当前图像的航向角（Phi）、俯仰角（Omega）及翻滚角（Kappa）与标准图像的航向角（Phi）、俯仰角（Omega）及翻滚角（Kappa）的差值（即偏转角度），然后根据所得差值重新绘制每个图像；
S3、用coco数据集预训练inception v4深度神经网络，然后用所述训练数据集训练该模型，微调深度神经网络中的各项参数，获得ssd_inception_v4_coco模型，所述ssd_inception_v4_coco模型采用ssd目标检测算法；
S4、利用无人机拍摄海面船只视频数据，调用视频取帧脚本，每隔一定帧数获取一张图像，得检测数据集；所述视频数据携带配套的POS数据，该POS数据至少包括拍摄纬度、经度、高程、航向角（Phi）、俯仰角（Omega）及翻滚角（Kappa），
S5、利用步骤S3所得的ssd_inception_v4_coco模型对所得的检测数据集进行检测，输出检测结果，值得注意的是，所述检测数据集在输入ssd_inception_v4_coco模型时，首先需以标准图像的航向角（Phi）、俯仰角（Omega）及翻滚角（Kappa）为基准完成检测数据集的重构。
实施例2
如图2所示，一种基于深度学习的海面船只检测方法，包括如下步骤：
S1、利用无人机拍摄海面船只图像数据；所述人机拍摄到的船只图像数据携带配套的POS数据，该POS数据至少包括拍摄纬度、经度、高程、航向角（Phi）、俯仰角（Omega）及翻滚角（Kappa）；
S2、完成所述图像数据的预处理，构成训练数据集；具体的，根据图像数据的航向角（Phi）、俯仰角（Omega）及翻滚角（Kappa）实现图像数据的重构，重构时，以标准图像的航向角（Phi）、俯仰角（Omega）及翻滚角（Kappa）为基准，首先计算当前图像的航向角（Phi）、俯仰角（Omega）及翻滚角（Kappa）与标准图像的航向角（Phi）、俯仰角（Omega）及翻滚角（Kappa）的差值（即偏转角度），然后根据所得差值重新绘制每个图像；
S3、用coco数据集预训练inception v4深度神经网络，然后用所述训练数据集训练该模型，微调深度神经网络中的各项参数，获得ssd_inception_v4_coco模型，所述ssd_inception_v4_coco模型采用ssd目标检测算法；
S4、利用无人机拍摄海面船只视频数据，调用视频取帧脚本，每隔一定帧数获取一张图像，得检测数据集；所述视频数据携带配套的POS数据，该POS数据至少包括拍摄纬度、经度、高程、航向角（Phi）、俯仰角（Omega）及翻滚角（Kappa）；
S5、利用步骤S3所得的ssd_inception_v4_coco模型对所得的检测数据集进行检测，输出检测结果，在发现船只时，在对应的图像中圈定船只区域，并标注船只识别结果；值得注意的是，所述检测数据集在输入ssd_inception_v4_coco模型时，首先需以标准图像的航向角（Phi）、俯仰角（Omega）及翻滚角（Kappa）为基准完成检测数据集的重构。
实施例3
如图3所示，一种基于深度学习的海面船只检测方法，包括如下步骤：
S1、利用无人机拍摄海面船只图像数据；所述人机拍摄到的船只图像数据携带配套的POS数据，该POS数据至少包括拍摄纬度、经度、高程、航向角（Phi）、俯仰角（Omega）及翻滚角（Kappa）；
S2、完成所述图像数据的预处理，构成训练数据集；具体的，根据图像数据的航向角（Phi）、俯仰角（Omega）及翻滚角（Kappa）实现图像数据的重构，重构时，以标准图像的航向角（Phi）、俯仰角（Omega）及翻滚角（Kappa）为基准，首先计算当前图像的航向角（Phi）、俯仰角（Omega）及翻滚角（Kappa）与标准图像的航向角（Phi）、俯仰角（Omega）及翻滚角（Kappa）的差值（即偏转角度），然后根据所得差值重新绘制每个图像；
S3、用coco数据集预训练inception v4深度神经网络，然后用所述训练数据集训练该模型，微调深度神经网络中的各项参数，获得ssd_inception_v4_coco模型，所述ssd_inception_v4_coco模型采用ssd目标检测算法；
S4、利用无人机拍摄海面船只视频数据，调用视频取帧脚本，每隔一定帧数获取一张图像，得检测数据集；所述视频数据携带配套的POS数据，该POS数据至少包括拍摄纬度、经度、高程、航向角（Phi）、俯仰角（Omega）及翻滚角（Kappa），
S5、利用步骤S3所得的ssd_inception_v4_coco模型对所得的检测数据集进行检测，输出检测结果，在发现船只时，在对应的图像中圈定船只区域，并标注船只识别结果；值得注意的是，所述检测数据集在输入ssd_inception_v4_coco模型时，首先需以标准图像的航向角（Phi）、俯仰角（Omega）及翻滚角（Kappa）为基准完成检测数据集的重构。
S6、将完成标识后的图像数据、图像采集时间、其对应的经纬度坐标填入预设的excel表格进行汇总。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (7)

1.一种基于深度学习的海面船只检测方法，其特征在于：包括如下步骤：
S1、利用无人机拍摄海面船只图像数据；
S2、完成所述图像数据的预处理，构成训练数据集；
S3、用coco数据集预训练inception v4深度神经网络，然后用所述训练数据集训练该模型，微调深度神经网络中的各项参数，获得ssd_inception_v4_coco模型；
S4、利用无人机拍摄海面船只视频数据，调用视频取帧脚本，每隔一定帧数获取一张图像，得检测数据集；
S5、利用步骤S3所得的ssd_inception_v4_coco模型对所得的检测数据集进行检测，输出检测结果。
2.如权利要求1所述的一种基于深度学习的海面船只检测方法，其特征在于：所述人机拍摄到的船只图像数据和视频数据均携带配套的POS数据，该POS数据至少包括拍摄纬度、经度、高程、航向角、俯仰角及翻滚角。
3.如权利要求1所述的一种基于深度学习的海面船只检测方法，其特征在于：所述步骤S2根据图像数据的航向角、俯仰角及翻滚角实现图像数据的重构，重构时，以标准图像的航向角、俯仰角及翻滚角为基准，首先计算当前图像的航向角、俯仰角及翻滚角与标准图像的航向角、俯仰角及翻滚角的差值，然后根据所得差值重新绘制每个图像。
4.如权利要求1所述的一种基于深度学习的海面船只检测方法，其特征在于：所述检测数据集在输入ssd_inception_v4_coco模型时，首先需以标准图像的航向角、俯仰角及翻滚角为基准完成检测数据集的重构。
5.如权利要求1所述的一种基于深度学习的海面船只检测方法，其特征在于：所述ssd_inception_v4_coco模型采用ssd目标检测算法。
6.如权利要求1所述的一种基于深度学习的海面船只检测方法，其特征在于：还包括在发现船只时，在对应的图像中圈定船只区域，并标注船只识别结果的步骤。
7.如权利要求1所述的一种基于深度学习的海面船只检测方法，其特征在于： 还包括在发现船只时，将完成标识后的图像数据、图像采集时间、其对应的经纬度坐标填入预设的excel表格进行汇总的步骤。
CN201911151161.XA 2019-11-21 2019-11-21 一种基于深度学习的海面船只检测方法 Pending CN110826529A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911151161.XA CN110826529A (zh) 2019-11-21 2019-11-21 一种基于深度学习的海面船只检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911151161.XA CN110826529A (zh) 2019-11-21 2019-11-21 一种基于深度学习的海面船只检测方法

Publications (1)

Publication Number Publication Date
CN110826529A true CN110826529A (zh) 2020-02-21

Family

ID=69558080

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911151161.XA Pending CN110826529A (zh) 2019-11-21 2019-11-21 一种基于深度学习的海面船只检测方法

Country Status (1)

Country Link
CN (1) CN110826529A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111368802A (zh) * 2020-03-28 2020-07-03 河南工业职业技术学院 一种基于双目图像视觉的物资形状识别方法
CN112149567A (zh) * 2020-09-23 2020-12-29 中国科学院长春光学精密机械与物理研究所 一种海上目标检测方法、装置及设备
CN114007050A (zh) * 2021-10-14 2022-02-01 桂林电子科技大学 一种基于北斗通信的目标识别图像传输方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108256447A (zh) * 2017-12-29 2018-07-06 广州海昇计算机科技有限公司 一种基于深度神经网络的无人机航拍视频分析方法
CN109270941A (zh) * 2017-07-18 2019-01-25 李保文 一种空中无人机超视距遥控方法
KR20190069974A (ko) * 2017-12-12 2019-06-20 현대일렉트릭앤에너지시스템(주) 선박현황데이터 관리용 서버 기기
CN109934088A (zh) * 2019-01-10 2019-06-25 海南大学 基于深度学习的海面船只辨识方法
CN110069987A (zh) * 2019-03-14 2019-07-30 中国人民武装警察部队海警学院 基于改进vgg网络的单阶段船舶检测算法及装置
CN110222615A (zh) * 2019-05-28 2019-09-10 上海海事大学 基于InceptionV3网络的被遮挡目标识别方法
CN110414340A (zh) * 2019-06-21 2019-11-05 武汉四创自动控制技术有限责任公司 一种船闸监控系统中的船舶识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109270941A (zh) * 2017-07-18 2019-01-25 李保文 一种空中无人机超视距遥控方法
KR20190069974A (ko) * 2017-12-12 2019-06-20 현대일렉트릭앤에너지시스템(주) 선박현황데이터 관리용 서버 기기
CN108256447A (zh) * 2017-12-29 2018-07-06 广州海昇计算机科技有限公司 一种基于深度神经网络的无人机航拍视频分析方法
CN109934088A (zh) * 2019-01-10 2019-06-25 海南大学 基于深度学习的海面船只辨识方法
CN110069987A (zh) * 2019-03-14 2019-07-30 中国人民武装警察部队海警学院 基于改进vgg网络的单阶段船舶检测算法及装置
CN110222615A (zh) * 2019-05-28 2019-09-10 上海海事大学 基于InceptionV3网络的被遮挡目标识别方法
CN110414340A (zh) * 2019-06-21 2019-11-05 武汉四创自动控制技术有限责任公司 一种船闸监控系统中的船舶识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
MINGTAO DONG等: "End-to-End Target Detection and Classification with Data Augmentation in SAR Images", 《2019 IEEE INTERNATIONAL CONFERENCE ON COMPUTATIONAL ELECTROMAGNETICS (ICCEM)》 *
周瑶: "基于深度学习的舰船目标检测与识别", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *
肖尧: "小型飞行平台视频目标检测与跟踪技术研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *
赵蓬辉等: "基于改进VGG网络的单阶段船舶检测算法", 《光电子•激光》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111368802A (zh) * 2020-03-28 2020-07-03 河南工业职业技术学院 一种基于双目图像视觉的物资形状识别方法
CN112149567A (zh) * 2020-09-23 2020-12-29 中国科学院长春光学精密机械与物理研究所 一种海上目标检测方法、装置及设备
CN114007050A (zh) * 2021-10-14 2022-02-01 桂林电子科技大学 一种基于北斗通信的目标识别图像传输方法

Similar Documents

Publication Publication Date Title
CN110826529A (zh) 一种基于深度学习的海面船只检测方法
CN104200236B (zh) 基于dpm的快速目标检测方法
CN109817023B (zh) 一种海缆水域ais目标检测方法
CN111079739B (zh) 一种多尺度注意力特征检测方法
CN103729846B (zh) 基于不规则三角网的LiDAR点云数据边缘检测方法
CN104331886A (zh) 基于高分辨sar图像的港口区域舰船检测方法
CN106156758B (zh) 一种sar海岸图像中海岸线提取方法
CN105023013B (zh) 基于局部标准差和Radon变换的目标检测方法
CN106295503A (zh) 区域卷积神经网络的高分辨率遥感影像舰船目标提取方法
CN110910448A (zh) 一种海上溢油漂移轨迹溯源方法
CN111694913A (zh) 一种基于卷积自编码器的船舶ais轨迹聚类方法和装置
CN114155491B (zh) 一种基于ais数据的船舶行为识别方法及系统
CN109522838A (zh) 一种基于宽度学习的安全帽图像识别算法
KR102162065B1 (ko) 수상 레저 안전성 예측 방법 및 이를 실행하는 프로그램이 기록된 기록매체
CN110097047A (zh) 一种基于深度学习采用单线激光雷达的车辆检测方法
CN106971189A (zh) 一种低分辨率含噪星图识别方法
CN114693670A (zh) 基于多尺度U-Net的直缝埋弧焊管焊缝缺陷超声检测方法
CN113569956A (zh) 一种基于ai算法的山火灾害勘查识别方法
CN112686204B (zh) 一种基于稀疏像素点跟踪的视频测流方法及装置
CN116343078A (zh) 基于视频sar的目标跟踪方法、系统及设备
CN116245271A (zh) 一种面向海上应急响应的船岸一体化信息支持系统
CN115147720A (zh) 基于坐标注意力和长短距上下文的sar舰船检测方法
CN112070893A (zh) 一种基于深度学习的动态海面三维建模方法及存储介质
CN113971679B (zh) 一种基于计算机视觉与图像处理的海洋潮汐测量方法
CN111898702B (zh) 一种基于深度学习的无人艇环境智能感知方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200221