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 PDFInfo
- 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
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
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。
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)
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)
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 |
-
2019
- 2019-11-21 CN CN201911151161.XA patent/CN110826529A/zh active Pending
Patent Citations (7)
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)
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)
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 |