CN111553184A - 一种基于电子围网的小目标检测方法、装置及电子设备 - Google Patents

一种基于电子围网的小目标检测方法、装置及电子设备 Download PDF

Info

Publication number
CN111553184A
CN111553184A CN201911378718.3A CN201911378718A CN111553184A CN 111553184 A CN111553184 A CN 111553184A CN 201911378718 A CN201911378718 A CN 201911378718A CN 111553184 A CN111553184 A CN 111553184A
Authority
CN
China
Prior art keywords
ship
detection
training
small target
data set
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
CN201911378718.3A
Other languages
English (en)
Inventor
邓练兵
薛剑
陈金鹿
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.)
Zhuhai Dahengqin Technology Development Co Ltd
Original Assignee
Zhuhai Dahengqin Technology Development Co Ltd
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 Zhuhai Dahengqin Technology Development Co Ltd filed Critical Zhuhai Dahengqin Technology Development Co Ltd
Priority to CN201911378718.3A priority Critical patent/CN111553184A/zh
Publication of CN111553184A publication Critical patent/CN111553184A/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
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及目标检测技术领域，具体涉及一种基于电子围网的小目标检测方法、装置及电子设备。获取船只图像对船只图像进行预处理，构建船只样本数据集；视频数据中船只检测数据库，构建卷积神经网络对视频数据中船只检测数据库中的船只图像进行特征提取，获得船只图像特征；船只图像特征分别使用Faster RCNN和YoLo训练网络进行训练，设置不同迭代次数和学习率以获得小目标船只检测模型；根据小目标船只检测模型对测试数据集进行测试，输出小目标船只检测模型结果；获取Faster RCNN和YoLo训练网络平均检测精度进行对比，取平均检测精度高的训练网络对船只图片进行检测，确定出最优小目标船只检测结果。实现快速准确的检测出电子围网内的小目标船只。

Description

一种基于电子围网的小目标检测方法、装置及电子设备
技术领域
本发明涉及目标检测技术领域，具体涉及一种基于电子围网的小目标检测方法、装置及电子设备。
背景技术
随着自动化技术的飞速发展，信息技术、数字图像处理技术已被大量应用到交通、医学、军事等各个领域，例如车牌定位，脑部CT图像协助诊断，人脸、指纹识别，武器导航等等。其中，关于运动目标的检测与识别技术愈加备受人们关注。运动目标的检测与识别技术是机器视觉的重要分支之一，它是指将运动目标从繁杂的背景中提取出来并进行识别理解，为下一步目标跟踪等提供依据，是图像分析的关键一步。其中，目标分割或检测是后续目标辨识与跟踪的基础。在智能化视频监控系统中，其关键环节就是运动目标的辨认与识别，一旦出现疑似运动目标，智能化视频监控系统能够自行报警，大大改善了人工监控存在的诸多弊端：如费时、费力，以及因长时间视觉观测疲劳造成漏检等众多问题。
在目标检测中，对弱小目标的检测又极为重要。“弱小目标”这个概念最初来源于军事领域，在进行空间导弹拦截时，目标与拦截器距离较远(一般几千公里)，而在成像平面呈现为一个或者几个像素的大小，称为“小目标”。由于目标太小，很容易被噪声和各种杂波(云杂波、海杂波)淹没，所以又称为“弱目标”。小物体在许多现实世界的应用中非常普遍，例如交通标志检测，用于高级自动驾驶的行人检测以及海上的船只检测。
传统的深度学习模型通常无法检测到非常小的物体，由于丰富的表现很难从它们质量差的外观和结构中学习；还有一种情况是目标太远难以检测。而对于海上预警来说，需要对较远位置的船只进检测并锁定。
发明内容
有鉴于此，本发明实施例提供了一种基于电子围网的小目标检测方法、装置及电子设备，以解决能够快速准确的检测出电子围网内的小目标船只问题。
根据第一方面，本发明实施例提供了一种基于电子围网的小目标检测方法，包括：
获取船只图像，对所述船只图像进行预处理，构建船只样本数据集；其中所述船只样本数据集包括：训练数据集和测试数据集；
基于视频数据中船只检测数据库，构建卷积神经网络对所述视频数据中船只检测数据库中的船只图像进行特征提取，获得船只图像特征；
基于所述船只图像特征分别使用Faster RCNN，和，YoLo训练网络进行训练，并设置不同迭代次数和学习率，以获得小目标船只检测模型；
根据所述小目标船只检测模型对所述测试数据集进行测试，输出小目标船只检测模型结果；
基于获取Faster RCNN，和，YoLo训练网络平均检测精度进行对比，取平均检测精度高的训练网络对船只图片进行检测，确定出最优小目标船只检测结果。
利用对获取船只图像进行预处理与数据集划分，通过使用训练数据集对不同的训练网络进行建模，并加入船只图像特征，从而能够准确获取到电子围网内的小目标船只，同时通过同步执行多个训练网络，获取不同训练网络的平均检测精度并进行对比确定相对于当前环境下的最优训练网络，并通过使用其对比选出的训练网络对船只图片进行检测，确定出最优小目标船只检测结果，以实现快速准确的检测出电子围网内的小目标船只。同时提升电子围网的数据识别能力，有利于海防建设。
结合第一方面，在第一方面第一实施方式中，对所述船只图像进行预处理，包括：对所述船只图片进行筛选、分类以及标注保存。
通过对船只图像进行预处理，以保证所需要检测的小目标船只能够被训练网络所检测到，以提高训练网络的检测精度。以保证能够快速准确的检测出电子围网内的小目标船只。
结合第一方面，在第一方面第二实施方式中，构建卷积神经网络对所述视频数据中船只检测数据库中的船只图像进行特征提取，包括：
获取船只图像，对所述船只图像进行特征提取；
基于所述提取特征输入到卷积网络中进行卷积运算，以获得小目标船只检测特征。
通过对船只图像进行特征提取，以确定船只图像中共有特征，从而能够精准识别出目标船只信息。
结合第一方面，在第一方面第三实施方式中，基于所述船只图像特征分别使用Faster RCNN训练网络进行训练，包括：
获取训练数据集；
利用所述小目标船只检测特征与Faster RCNN网络对所述训练数据集进行候选框的特征信息提取；
通过分类器对所述候选框的特征信息进行判断分类，输出分类结果；其中，所述分类结果为第一小目标船只检测结果。
结合第一方面，在第一方面第四实施方式中，基于所述船只图像特征分别使用YoLo训练网络进行训练，包括：
获取训练数据集；
基于所述小目标船只测特征与YoLo网络对所述训练数据集进行特征提取，并将所提取特征分别用3个检测器进行检测；
利用所述检测器输出的每个单元格中预测3个不同尺度和长宽比的边界框在3个预测的边界框中选择与真实框最接近的作为预测值来更新网络参数，其中，每个边界框包含3个预测量；
基于所述训练数据集中的预处理信息，对所检测到的所述预测量进行损失函数计算，以获得第二小目标船只检测结果。
结合第一方面，在第一方面第五实施方式中，基于获取Faster RCNN，和，YoLo训练网络平均检测精度进行对比，包括：
根据所述第一小目标船只检测结果数量和第二小目标船只检测结果数量进行统计，分别计算出Faster RCNN和YoLo的平均检测精度；
取平均检测精度大的小目标船只检测结果输出，以确定输出最优小目标船只检测结果。
通过使用不同训练网络进行数据训练，全面分析各种训练网络相对于当前环境中最优的检测方法，且通过对比平均检测精度，还能够对所示训练网络进行全面评价，从而能够对适应不同环境提供参考。
根据第二方面，本发明实施例提供了一种基于电子围网的小目标检测装置，包括：
获取模块，用于获取船只图像，对所述船只图像进行预处理，构建船只样本数据集；其中所述船只样本数据集包括：训练数据集和测试数据集；
提取模块，用于基于视频数据中船只检测数据库，构建卷积神经网络对所述视频数据中船只检测数据库中的船只图像进行特征提取，获得船只图像特征；
训练模块，用于基于所述船只图像特征分别使用Faster RCNN，和，YoLo训练网络进行训练，并设置不同迭代次数和学习率，以获得小目标船只检测模型；
检测模块，用于根据所述小目标船只检测模型对所述测试数据集进行测试，输出小目标船只检测模型结果；
输出模块，用于基于获取Faster RCNN，和，YoLo训练网络平均检测精度进行对比，取平均检测精度高的训练网络对船只图片进行检测，确定出最优小目标船只检测结果。
通过获取模块获取船只图像，对船只图像进行预处理，在通过船只图像进行特征提取，在利用船只图像和所提取的特征一起输入到训练模型中输出检测结果，从而能够实现快速准确的检测出电子围网内的小目标船只。同时提升电子围网的数据识别能力，有利于海防建设。
根据第三方面，本发明实施例提供了一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面或者第一方面的任意一种实施方式中所述的基于电子围网的小目标检测方法。
根据第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行第一方面或者第一方面的任意一种实施方式中所述的基于电子围网的小目标检测方法。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：
图1是根据本发明实施例的一种基于电子围网的小目标检测方法的流程图；
图2是根据本发明实施例的一种基于电子围网的小目标检测方法的训练模型的流程图A；
图3是根据本发明实施例的一种基于电子围网的小目标检测方法的训练模型的流程图B；
图4是根据本发明实施例的一种基于电子围网的小目标检测方法的训练网络平均检测精度对比流程图；
图5是根据本发明实施例的一种基于电子围网的小目标检测装置的结构示意图；
图6是根据本发明实施例的一种电子设备的结构示意图；
附图标记
10-获取模块；11-提取模块；12-训练模块；13-测试模块；14-输出模块；
20-存储器；21-处理器；22-总线。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供一种基于监控数据的小目标检测方法，包括:
S10，获取船只图像，对所述船只图像进行预处理，构建船只样本数据集；其中所述船只样本数据集包括：训练数据集和测试数据集；
S11，基于视频数据中船只检测数据库，构建卷积神经网络对所述视频数据中船只检测数据库中的船只图像进行特征提取，获得船只图像特征；
S12，基于所述船只图像特征分别使用Faster RCNN，和，YoLo训练网络进行训练，并设置不同迭代次数和学习率，以获得小目标船只检测模型；
S13,根据所述小目标船只检测模型对所述测试数据集进行测试，输出小目标船只检测模型结果；
S14,基于获取Faster RCNN，和，YoLo训练网络平均检测精度进行对比，取平均检测精度高的训练网络对船只图片进行检测，确定出最优小目标船只检测结果。
利用对获取船只图像进行预处理与数据集划分，通过使用训练数据集对不同的训练网络进行建模，并加入船只图像特征，从而能够准确获取到电子围网内的小目标船只，同时通过同步执行多个训练网络，获取不同训练网络的平均检测精度并进行对比确定相对于当前环境下的最优训练网络，并通过使用其对比选出的训练网络对船只图片进行检测，确定出最优小目标船只检测结果，以实现快速准确的检测出电子围网内的小目标船只。同时提升电子围网的数据识别能力，有利于海防建设。
本发明实施例提供一种基于监控数据的小目标检测方法，具体如图2-4所示，包括：
步骤一：对船只图像进行预处理：
对所述船只图片进行筛选、分类以及标注保存
可以先获得电子围网内的船只图像。为了使检测小目标的结果更为精确，需要搜集包含各类小目标船只的船只图片，并总结其数据特点。
在对搜集到的船只图片，有一些不符合小目标检测要求图片(比如没有小目标，或者图片质量太差)进行筛选，选出图片较为清晰的图片。并对筛选得到的图片中的船只的类别进行分类。(如：轮船、货船等)
在进行数据训练前还需要对筛选出的图片进行标注，标注可以是使用现有的标注工具，其标注的内容可以是船只的边界框(多边形)bounding box和类别label，并对所标注的船只图片数据进保存。
可选的，可以是对所述船只图像的尺寸进行放大或缩小；
利用图像金字塔对船只图片进行预设次数的采样，以获得多分辨率的船只图片，保证所输入训练模型中小目标船只数据能够被准确识别。
通过对图像预处理，保证所输入到训练模型中的船只图片能够识别出精准识别小目标船只。
步骤二：获取船只图像的特征信息：
获取船只图像，对所述船只图像进行特征提取；
基于所述提取特征输入到卷积网络中进行卷积运算，以获得小目标船只检测特征。
可选的，可以通过构建含有多个卷积模块的卷积神经网络来对船只图像的特征进行提取。其中，每个卷积模块包含卷积与非线性ReLU激活两个部分，从而确保模型能够提取到小型船只的特征，完成对小型船只的检测。
步骤三：构建训练模型包括：
1)通过Faster RCNN训练网络进行训练，如图2所示：
S20，获取训练数据集；
S21，利用所述小目标船只检测特征与Faster RCNN网络对所述训练数据集进行候选框的特征信息提取；
S22，通过分类器对所述候选框的特征信息进行判断分类，输出分类结果；其中，所述分类结果为第一小目标船只检测结果。
通过构建Faster RCNN训练模型，从而保证能够准确进行小目标船只的识别。
2)通过YoLo训练网络进行训练，如图3所示：
S30，获取训练数据集；
S31，基于所述小目标船只测特征与YoLo网络对所述训练数据集进行特征提取，并将所提取特征分别用3个检测器进行检测；
S32，利用所述检测器输出的每个单元格中预测3个不同尺度和长宽比的边界框在3个预测的边界框中选择与真实框最接近的作为预测值来更新网络参数，其中，每个边界框包含3个预测量；
S33，基于所述训练数据集中的预处理信息，对所检测到的所述预测量进行损失函数计算，以获得第二小目标船只检测结果。
可选的，损失函数为：
Figure BDA0002341698820000101
其中，
Figure BDA0002341698820000102
为第N个船只的位置信息和边界信息的预测值，(xi,yi,wi,hi)为第N个果实的位置和边界信息的标记值，
Figure BDA0002341698820000103
是预测边界框与标签边界框的交叉部分，Ci是置信度得分，
Figure BDA0002341698820000104
为给定种类概率，pi(c)为预测种类给定种类的概率，
Figure BDA0002341698820000105
表示为有目标落在单元i的第j个检测框中，
Figure BDA0002341698820000106
表示为有目标落在单元i的所有检测框，其中，λcoord为最高执信度惩罚的坐标预测值和λnoobj为最低置信度预测惩罚。其中，最高执信度惩罚的坐标预测值设置为λcoord＝5和最低置信度预测惩罚设置为λnoobj＝0.5。
通过构建YoLo训练模型，从而保证能够快速进行小目标船只的识别，在通过设置损失函数从而使预测的结果更加准确。
4)利用所训练网络平均检测精度进行对比，如图4所示：
S40，根据所述第一小目标船只检测结果数量和第二小目标船只检测结果数量进行统计，分别计算出Faster RCNN和YoLo的平均检测精度；
S41，取平均检测精度大的小目标船只检测结果输出，以确定输出最优小目标船只检测结果。
可选的，通过获取Faster RCNN和YoLo训练结果的样本数量，通过预测统计mAP的值，确定最优小目标船只检测结果。其中mAP的值定在[0,1]区间，其数值越大，代表小目标船只检测结果越好。
本发明实施例提供了一种基于电子围网的小目标检测装置，如图5所示，包括：
获取模块10，用于获取船只图像，对所述船只图像进行预处理，构建船只样本数据集；其中所述船只样本数据集包括：训练数据集和测试数据集；
提取模块11，用于基于视频数据中船只检测数据库，构建卷积神经网络对所述视频数据中船只检测数据库中的船只图像进行特征提取，获得船只图像特征；
训练模块12，用于基于所述船只图像特征分别使用Faster RCNN，和，YoLo训练网络进行训练，并设置不同迭代次数和学习率，以获得小目标船只检测模型；
检测模块13，用于根据所述小目标船只检测模型对所述测试数据集进行测试，输出小目标船只检测模型结果；
输出模块14，用于基于获取Faster RCNN，和，YoLo训练网络平均检测精度进行对比，取平均检测精度高的训练网络对船只图片进行检测，确定出最优小目标船只检测结果。
通过获取模块获取船只图像，对船只图像进行预处理，在通过船只图像进行特征提取，在利用船只图像和所提取的特征一起输入到训练模型中输出检测结果，从而能够实现快速准确的检测出电子围网内的小目标船只。同时提升电子围网的数据识别能力，有利于海防建设。
本发明实施例还提供了一种电子设备，如图6所示，该电子设备可以包括处理器21和存储器20，其中处理器21和存储器20可以通过总线22或者其他方式连接，图6中以通过总线连接为例。
处理器21可以为中央处理器(Central Processing Unit，CPU)。处理器21还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器20作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的车载显示装置按键屏蔽方法对应的程序指令/模块(例如，图5所示的获取模块10、提取模块11、训练模块12、检测模块13和输出模块14)。处理器21通过运行存储在存储器20中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述实施例中基于电子围网的小目标检测方法。
存储器20可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器21所创建的数据等。此外，存储器20可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器20可选包括相对于处理器21远程设置的存储器，这些远程存储器可以通过网络连接至处理器21。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器20中，当被所述处理器21执行时，执行如图1-4所示实施例中的基于电子围网的小目标检测方法。
上述车辆终端具体细节可以对应参阅图1至图4所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random AccessMemory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (9)

1.一种基于电子围网的小目标船只检测方法，其特征在于，包括：
获取船只图像，对所述船只图像进行预处理，构建船只样本数据集；其中所述船只样本数据集包括：训练数据集和测试数据集；
基于视频数据中船只检测数据库，构建卷积神经网络对所述视频数据中船只检测数据库中的船只图像进行特征提取，获得船只图像特征；
基于所述船只图像特征分别使用Faster RCNN，和，YoLo训练网络进行训练，并设置不同迭代次数和学习率，以获得小目标船只检测模型；
根据所述小目标船只检测模型对所述测试数据集进行测试，输出小目标船只检测模型结果；
基于获取Faster RCNN，和，YoLo训练网络平均检测精度进行对比，取平均检测精度高的训练网络对船只图片进行检测，确定出最优小目标船只检测结果。
2.根据权利要求1所述的方法，其特征在于，所述对所述船只图像进行预处理，包括：对所述船只图片进行筛选、分类以及标注保存。
3.根据权利要求2所述的方法，其特征在于，所述构建卷积神经网络对所述视频数据中船只检测数据库中的船只图像进行特征提取，包括：
获取船只图像，对所述船只图像进行特征提取；
基于所述提取特征输入到卷积网络中进行卷积运算，以获得小目标船只检测特征。
4.根据权利要求3所述的方法，其特征在于，所述基于所述船只图像特征分别使用Faster RCNN训练网络进行训练，包括：
获取训练数据集；
利用所述小目标船只检测特征与Faster RCNN网络对所述训练数据集进行候选框的特征信息提取；
通过分类器对所述候选框的特征信息进行判断分类，输出分类结果；其中，所述分类结果为第一小目标船只检测结果。
5.根据权利要求4所述的方法，其特征在于，所述基于所述船只图像特征分别使用YoLo训练网络进行训练，包括：
获取训练数据集；
基于所述小目标船只测特征与YoLo网络对所述训练数据集进行特征提取，并将所提取特征分别用3个检测器进行检测；
利用所述检测器输出的每个单元格中预测3个不同尺度和长宽比的边界框在3个预测的边界框中选择与真实框最接近的作为预测值来更新网络参数，其中，每个边界框包含3个预测量；
基于所述训练数据集中的预处理信息，对所检测到的所述预测量进行损失函数计算，以获得第二小目标船只检测结果。
6.根据权利要求5所述的方法，其特征在于，所述基于获取Faster RCNN，和，YoLo训练网络平均检测精度进行对比，包括：
根据所述第一小目标船只检测结果数量和第二小目标船只检测结果数量进行统计，分别计算出Faster RCNN和YoLo的平均检测精度；
取平均检测精度大的小目标船只检测结果输出，以确定输出最优小目标船只检测结果。
7.一种基于电子围网的小目标检测装置，其他特征在于，包括：
获取模块，用于获取船只图像，对所述船只图像进行预处理，构建船只样本数据集；其中所述船只样本数据集包括：训练数据集和测试数据集；
提取模块，用于基于视频数据中船只检测数据库，构建卷积神经网络对所述视频数据中船只检测数据库中的船只图像进行特征提取，获得船只图像特征；
训练模块，用于基于所述船只图像特征分别使用Faster RCNN，和，YoLo训练网络进行训练，并设置不同迭代次数和学习率，以获得小目标船只检测模型；
检测模块，用于根据所述小目标船只检测模型对所述测试数据集进行测试，输出小目标船只检测模型结果；
输出模块，用于基于获取Faster RCNN，和，YoLo训练网络平均检测精度进行对比，取平均检测精度高的训练网络对船只图片进行检测，确定出最优小目标船只检测结果。
8.一种电子设备，其特征在于，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1-6中任一项所述的基于电子围网的小目标检测方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的基于电子围网的小目标检测方法。
CN201911378718.3A 2019-12-27 2019-12-27 一种基于电子围网的小目标检测方法、装置及电子设备 Pending CN111553184A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911378718.3A CN111553184A (zh) 2019-12-27 2019-12-27 一种基于电子围网的小目标检测方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911378718.3A CN111553184A (zh) 2019-12-27 2019-12-27 一种基于电子围网的小目标检测方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN111553184A true CN111553184A (zh) 2020-08-18

Family

ID=72005617

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911378718.3A Pending CN111553184A (zh) 2019-12-27 2019-12-27 一种基于电子围网的小目标检测方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN111553184A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111950527A (zh) * 2020-08-31 2020-11-17 珠海大横琴科技发展有限公司 一种基于yolo v2神经网络的目标检测方法及装置
CN112183463A (zh) * 2020-10-23 2021-01-05 珠海大横琴科技发展有限公司 基于雷达图像的船只识别模型的验证方法及装置
CN112329707A (zh) * 2020-11-23 2021-02-05 珠海大横琴科技发展有限公司 基于kcf滤波的无人机影像船只跟踪算法和装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107818326A (zh) * 2017-12-11 2018-03-20 珠海大横琴科技发展有限公司 一种基于场景多维特征的船只检测方法及系统
CN109711437A (zh) * 2018-12-06 2019-05-03 武汉三江中电科技有限责任公司 一种基于yolo网络模型的变压器部件识别方法
WO2019199244A1 (en) * 2018-04-10 2019-10-17 Aselsan Elektroni̇k Sanayi̇ Ve Ti̇caret Anoni̇m Şi̇rketi̇ Filter design for small target detection on infrared imagery using normalized-cross-correlation layer in neural networks
CN110598586A (zh) * 2019-08-27 2019-12-20 电子科技大学 一种目标检测方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107818326A (zh) * 2017-12-11 2018-03-20 珠海大横琴科技发展有限公司 一种基于场景多维特征的船只检测方法及系统
WO2019199244A1 (en) * 2018-04-10 2019-10-17 Aselsan Elektroni̇k Sanayi̇ Ve Ti̇caret Anoni̇m Şi̇rketi̇ Filter design for small target detection on infrared imagery using normalized-cross-correlation layer in neural networks
CN109711437A (zh) * 2018-12-06 2019-05-03 武汉三江中电科技有限责任公司 一种基于yolo网络模型的变压器部件识别方法
CN110598586A (zh) * 2019-08-27 2019-12-20 电子科技大学 一种目标检测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
木盏: ""yolo系列之yolo v3【深度解析】"", 《HTTPS://BLOG.CSDN.NET/LEVIOPKU/ARTICLE/DETAILS/82660381》 *
袁明新: ""基于深度学习方法的海上舰船目标检测"", 《舰船科学技术》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111950527A (zh) * 2020-08-31 2020-11-17 珠海大横琴科技发展有限公司 一种基于yolo v2神经网络的目标检测方法及装置
CN112183463A (zh) * 2020-10-23 2021-01-05 珠海大横琴科技发展有限公司 基于雷达图像的船只识别模型的验证方法及装置
CN112183463B (zh) * 2020-10-23 2021-10-15 珠海大横琴科技发展有限公司 基于雷达图像的船只识别模型的验证方法及装置
CN112329707A (zh) * 2020-11-23 2021-02-05 珠海大横琴科技发展有限公司 基于kcf滤波的无人机影像船只跟踪算法和装置

Similar Documents

Publication Publication Date Title
EP3997616B1 (en) Object-based change detection using a neural network
US10839211B2 (en) Systems, methods and computer program products for multi-resolution multi-spectral deep learning based change detection for satellite images
US9607228B2 (en) Parts based object tracking method and apparatus
CN109977191B (zh) 问题地图检测方法、装置、电子设备和介质
CN111553184A (zh) 一种基于电子围网的小目标检测方法、装置及电子设备
CN111523558A (zh) 一种基于电子围网的船只遮挡检测方法、装置及电子设备
CN111709421B (zh) 鸟类识别方法、装置、计算机设备及存储介质
CN112541372B (zh) 一种困难样本筛选方法及装置
US20150378014A1 (en) Ascertaining class of a vehicle captured in an image
CN114037907A (zh) 输电线路的检测方法、装置、计算机设备、存储介质
CN113963251A (zh) 一种海洋生物检测方法、系统和设备
CN111881984A (zh) 一种基于深度学习的目标检测方法和装置
CN116596875A (zh) 晶圆缺陷检测方法、装置、电子设备及存储介质
Yildirim et al. Ship detection in optical remote sensing images using YOLOv4 and Tiny YOLOv4
CN115115825A (zh) 图像中的对象检测方法、装置、计算机设备和存储介质
CN111931721B (zh) 年检标签颜色和个数的检测方法、装置及电子设备
CN109934147B (zh) 基于深度神经网络的目标检测方法、系统及装置
CN111582012A (zh) 一种检测小目标船只方法及装置
Al-Shammri et al. A Combined Method for Object Detection under Rain Conditions Using Deep Learning
CN112308010B (zh) 一种基于yolo-v3算法的船只遮挡检测方法及装置
CN114494355A (zh) 基于人工智能的轨迹分析方法、装置、终端设备及介质
CN112651351A (zh) 一种数据处理的方法和装置
CN112084889A (zh) 一种图像行为识别方法、装置、计算设备及存储介质
US20230290138A1 (en) Analytic pipeline for object identification and disambiguation
Thoreau et al. SaRNet: A dataset for deep learning assisted search and rescue with satellite imagery

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

Application publication date: 20200818

RJ01 Rejection of invention patent application after publication