CN111695397A - 一种基于yolo的船只识别方法及电子设备 - Google Patents

一种基于yolo的船只识别方法及电子设备 Download PDF

Info

Publication number
CN111695397A
CN111695397A CN201911328869.8A CN201911328869A CN111695397A CN 111695397 A CN111695397 A CN 111695397A CN 201911328869 A CN201911328869 A CN 201911328869A CN 111695397 A CN111695397 A CN 111695397A
Authority
CN
China
Prior art keywords
ship
image
detection
training
data
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
CN201911328869.8A
Other languages
English (en)
Inventor
邓练兵
薛剑
邹纪升
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 CN201911328869.8A priority Critical patent/CN111695397A/zh
Publication of CN111695397A publication Critical patent/CN111695397A/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
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • 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)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及智能技术领域，具体涉及一种基于YOLO的船只识别方法及电子设备。包括：获取船只图像；根据船只图像进行预处理生成船只数据集；通过把训练数据中的训练图片输入YOLO网络进行训练，以获得船只检测模型；将测试数据输入船只检测模型中进行检测，输出船只检测结果；利用船只检测结果进行船只类型识别，以确定船只类型。通过获取船只图像，在利用YOLO网络对图像数据进行训练从而获得检测模型，经检测模型检测后输出船只检测结果，通过对船只检测结果进行船只类型识别，利用YOLO网络进行快速船只检测，之后在对所输出的检测结果进行类型识别，从而实现对船只进行快速检测及类型识别，保证海运监控的执行效率。

Description

一种基于YOLO的船只识别方法及电子设备
技术领域
本发明涉及智能技术领域，具体涉及一种基于YOLO的船只识别方法及电子设备。
背景技术
船只识别是现代海上智能监控的重要组成部分，如何快速准确的识别各种类型船只对于监视海运交通和维护海洋权益、提高海防预警能力有着重要的意义，而在现有海上智能监控中虽能够对船只进行识别检测，但不能够满足对船只进行快速检测和类型识别，这使得海上智能监控不能够满足实际监控需求，也因此给海运监控的执行效率带来一定影响。
发明内容
有鉴于此，本发明实施例提供了一种基于YOLO的船只识别方法及电子设备，以解决现有识别检测中无法对船只进行快速检测及类型识别的问题。
根据第一方面，本发明实施例提供一种基于YOLO的船只识别方法，包括:
获取船只图像；
根据所述船只图像进行预处理生成船只数据集；其中，所述船只数据集包括：测试数据和训练数据；
通过把所述训练数据中的训练图片输入YOLO网络进行训练，以获得船只检测模型；
将所述测试数据输入船只检测模型中进行检测，输出船只检测结果；
利用所述船只检测结果进行船只类型识别，以确定船只类型。
通过获取船只图像，在利用YOLO网络对图像数据进行训练从而获得检测模型，经检测模型检测后输出船只检测结果，通过对船只检测结果进行船只类型识别，利用YOLO网络进行快速船只检测，之后在对所输出的检测结果进行类型识别，从而实现对船只进行快速检测及类型识别，保证海运监控的执行效率。
结合第一方面，在第一方面第一实施方式中，所述船只图像进行预处理，包括：
定义初始化函数、对所述获取的船只图像进行图像数据增强和对所述获取的船只图像进行标注。
结合第一方面，在第一方面第二实施方式，中获取的船只图像进行标注，包括：对船只图像中的船只进行识别，获取所述船只图像中边框坐标和类别信息。
通过对船只图像进行预处理，保证在把图像数据输入网络中所获取的数值偏向于实际数据，并且还能够保证图像完整性和避免图像数据重复。
结合第一方面，在第一方面第三实施方式中，通过把所述训练数据集中的训练图片输入YOLO网络进行训练，包括：
把预处理的图像输入至YOLO网络，得到感受野最小而尺度最大、感受野中等且尺度中等和感受野最大而尺度最小的三种不同尺度的特征图；
基于所述三种不同尺度的特征图进行上采样和特征融合后分别得到最大尺度下的张量数据、中等尺度下的张量数据和最小尺度下的张量数据；
通过损失函数对张量数据相对于真实值进行计算，并经过反向传播求取梯度，进行权重更新，同时利用验证集进行验证，最终得到基于YOLO网络的检测模型及检测结果。
通过利用YOLO网络快速检测的优点进行船只检测，且利用YOLO网络其误检背景概率，从而能够保证能够快速检测出的船只，并输出检测结果。
结合第一方面，在第一方面第四实施方式中，将所述测试数据集输入船只检测模型中进行检测，包括：通过训练数据和验证数据进行迭代检测。
通过训练数据和验证数据进行迭代检测，以提高船只检测模型中船只检测的正确率。
结合第一方面，在第一方面第五实施方式中,利用所述船只检测结果进行归类，以确定相同类型船只，包括:
获取所述船只检测结果，把所述船只结果划分为船只检测结果训练样本和船只检测结果测试样本；
把船只检测结果训练样本送入分类器算法中，生成船只分类器模型；
利用分类器模型对船只检测结果测试样本进行训练，生成船只类型识别结果。
利用分类器以及分类算法对船只检测结果进行船只类型识别，从而保证能够快速进行船只检测和类型识别，从而保证海运监控的效率。
结合第一方面，在第一方面第六实施方式中,分类器算法包括：SVM。
结合第一方面，在第一方面第七实施方式中,损失函数为：二分交叉熵。
根据第二方面，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YOLO的船只识别方法。
根据第三方面，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YOLO的船只识别方法。
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YOLO的船只识别方法的流程图；
图2是根据本发明实施例的一种一种基于YOLO的船只识别方法的流程图A；
图3是根据本发明实施例的一种一种基于YOLO的船只识别方法的流程图B；
图4是本发明实施例提供的一种电子设备的硬件结构示意图。
附图标记
41-处理器；42-存储器；43-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YOLO的船只识别方法，包括:
S10，获取船只图像；可以是SeaShips数据集、Boats数据集也可以是海域范围内的监控视频数据。
S11，根据所述船只图像进行预处理生成船只数据集；其中，所述船只数据集包括：测试数据和训练数据；其中，预处理包括：定义初始化函数、对所述获取的船只图像进行图像数据增强和对所述获取的船只图像进行标注。
而定义初始化函数包括：选定测试参数数据，设置参数数据的图像大小，优选的，图像大小为32的倍数。设置数据增强方式，设置训练数据输入大小，选择采样方式，以及训练数据的类别和数目。
数据图像增强包括：随机水平翻转数据图像、随机剪裁数据图像和随机水平旋转数据图像，以保证数据图像的一致性。
对船只图像进行标注，可以是获取船只数据目标图像，获取目标图像的坐标信息和目标图像的类别信息(如：船只和海鸟)；
S12，通过把所述训练数据中的训练图片输入YOLO网络进行训练，以获得船只检测模型；把经过预处理的图像数据输入YOLO网络，YOLO网络对训练数据中的训练图片进行边框设定，并通过边框框选检测目标，并进行标记，最后输出检测结果。
S13，将所述测试数据输入船只检测模型中进行检测，输出船只检测结果；
S14，利用所述船只检测结果进行船只类型识别，以确定船只类型。
通过所生成的检测模型对测试数据进行检测，输出测试结果，其中测试结果，包括带有标记或是识别结果的选框图片，通过对选框图片内的数据进行归类识别，从而确定船只类型，从而提高检测速度，从而能实现快速识别与检测，保证船只监控效率。
通过获取船只图像，在利用YOLO网络对图像数据进行训练从而获得检测模型，经检测模型检测后输出船只检测结果，通过对船只检测结果进行船只类型识别，利用YOLO网络进行快速船只检测，之后在对所输出的检测结果进行类型识别，从而实现对船只进行快速检测及类型识别，保证海运监控的执行效率。
本发明实施例提供了一种基于YOLO的船只识别方法,如图2所示，通过把所述训练数据集中的训练图片输入YOLO网络进行训练，包括：
S20，把预处理的图像输入至YOLO网络，得到感受野最小而尺度最大、感受野中等且尺度中等和感受野最大而尺度最小的三种不同尺度的特征图；例如：在最小的13x13特征图上(最大的感受野)，其较大的特征选框可以是(116x90)，(156x198)，(373x326)，适合检测较大的对象。在中等的26*26特征图上(中等感受野)其中等的特征选框可以是(30x61)，(62x45)，(59x119)，适合检测中等大小的对象。较大的52x52特征图上(较小的感受野)其较小的特征选框可以是(10x13)，(16x30)，(33x23)，适合检测较小的对象。
S21，基于所述三种不同尺度的特征图进行上采样和特征融合后分别得到最大尺度下的张量数据、中等尺度下的张量数据和最小尺度下的张量数据；其中，上采样可以是通过双线性插值、转置卷积获得，而特征融合需要使用特征金字塔(FNC)进行不同尺度的特征融合，其中在不同尺度的融合特征图上还需要单独多尺度检测，以保证最终检测结果的准确。
S22，通过损失函数对张量数据相对于真实值进行计算，并经过反向传播求取梯度，进行权重更新，同时利用验证集进行验证，最终得到基于YOLO网络的检测模型及检测结果。通过使用验证集进行验证，以保证能够训练数据的准确性，从而保证识别结果的准确，有益于提高检测识别的执行效率。其中，所使用的YOLO网络为，YOLOv3。
此外，利用所述船只检测结果进行归类，以确定相同类型船只，包括:
S30，获取所述船只检测结果，把所述船只结果划分为船只检测结果训练样本和船只检测结果测试样本；通过划分训练样本和测试样本以保证训练结果的准确。
S31，把船只检测结果训练样本送入分类器算法中，生成船只分类器模型；利用现有的分类器对船只结果进行检测；可选的，可以通过识别船只轮廓对船只检测结果进行分类。
S32，利用分类器模型对船只检测结果测试样本进行训练，生成船只类型识别结果。
可选的，对所述获取的船只图像进行标注，先对船只图像中的船只进行识别，在获取所述船只图像中边框坐标和类别信息。
可选的，把测试数据集输入船只检测模型中进行检测，需要通过训练数据和验证数据进行最大值次数的迭代测试。
可选的，将所述测试数据集输入船只检测模型中进行检测，包括：通过训练数据图像和验证数据图像进行交替迭代检测。
优先的,YOLO网络设置的输入的图像大小为：614*614、608*608。
可选的，分类器算法为：SVM。
可选的,损失函数为：二分交叉熵。
通过使用LOYO算法和分类器算法进行快速船只检测和快速对船只进行分类，其中使用LOYO算法可以直接快速的输出检测结果，以保证执行检测的效率，也能够满足进行实时船只类型识别，有利于海上智能监控快速识别和检测，提高海防监控能力。
本发明实施例还提供了一种电子设备，如图4所示，该车辆终端可以包括处理器41和存储器42，其中处理器41和存储器42可以通过总线43或者其他方式连接，图4中以通过总线43连接为例。
处理器41可以为中央处理器(Central Processing Unit，CPU)。处理器41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42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。处理器41通过运行存储在存储器42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，即实现上述方法实施例中的基于YOLO的船只识别方法。
存储器42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41所创建的数据等。此外，存储器42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42可选包括相对于处理器41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41。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42中，当被所述处理器41执行时，执行如图1-3所示实施例中的基于YOLO的船只识别方法。
上述车辆终端具体细节可以对应参阅图1至图3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-OnlyMemory，ROM)、随机存储记忆体(Random Access Memory，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 (10)

1.一种基于YOLO的船只识别方法，其特征在于，包括：
获取船只图像；
根据所述船只图像进行预处理生成船只数据集；其中，所述船只数据集包括：测试数据和训练数据；
通过把所述训练数据中的训练图片输入YOLO网络进行训练，以获得船只检测模型；
将所述测试数据输入船只检测模型中进行检测，输出船只检测结果；
利用所述船只检测结果进行船只类型识别，以确定船只类型。
2.根据权利要求1所述的方法，其特征在于，所述根据所述船只图像进行预处理，包括：
定义初始化函数、对所述获取的船只图像进行图像数据增强和对所述获取的船只图像进行标注。
3.根据权利要求2所述的方法，其特征在于，所述对所述获取的船只图像进行标注，包括：对船只图像中的船只进行识别，获取所述船只图像中边框坐标和类别信息。
4.根据权利要求1所述的方法，其特征在于，所述通过把所述训练数据集中的训练图片输入YOLO网络进行训练，包括：
把预处理的图像输入至YOLO网络，得到感受野最小而尺度最大、感受野中等且尺度中等和感受野最大而尺度最小的三种不同尺度的特征图；
基于所述三种不同尺度的特征图进行上采样和特征融合后分别得到最大尺度下的张量数据、中等尺度下的张量数据和最小尺度下的张量数据；
通过损失函数对张量数据相对于真实值进行计算，并经过反向传播求取梯度，进行权重更新，同时利用验证集进行验证，最终得到基于YOLO网络的检测模型及检测结果。
5.根据权利要求4所述的方法，其特征在于，所述将所述测试数据集输入船只检测模型中进行检测，包括：通过训练数据和验证数据进行迭代检测。
6.根据权利要求5所述的方法，其特征在于，利用所述船只检测结果进行船只类型识别，以确定船只类型，包括:
获取所述船只检测结果，把所述船只结果划分为船只检测结果训练样本和船只检测结果测试样本；
把船只检测结果训练样本送入分类器算法中，生成船只分类器模型；
利用分类器模型对船只检测结果测试样本进行训练，生成船只类型识别结果。
7.根据权利要求6所述的方法，其特征在于，所述分类器算法为：SVM。
8.根据权利要求4所述的方法，其特征在于，所述损失函数为：二分交叉熵。
9.一种电子设备，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1-8中任一项所述的基于YOLO的船只识别方法。
10.一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1-8中任一项所述的基于YOLO的船只识别方法。
CN201911328869.8A 2019-12-20 2019-12-20 一种基于yolo的船只识别方法及电子设备 Pending CN111695397A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911328869.8A CN111695397A (zh) 2019-12-20 2019-12-20 一种基于yolo的船只识别方法及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911328869.8A CN111695397A (zh) 2019-12-20 2019-12-20 一种基于yolo的船只识别方法及电子设备

Publications (1)

Publication Number Publication Date
CN111695397A true CN111695397A (zh) 2020-09-22

Family

ID=72476216

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911328869.8A Pending CN111695397A (zh) 2019-12-20 2019-12-20 一种基于yolo的船只识别方法及电子设备

Country Status (1)

Country Link
CN (1) CN111695397A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111667450A (zh) * 2019-12-23 2020-09-15 珠海大横琴科技发展有限公司 一种船只数量统计方法、装置及电子设备
CN112270326A (zh) * 2020-11-18 2021-01-26 珠海大横琴科技发展有限公司 一种遮挡船只的检测优化方法、装置及电子设备
CN113609891A (zh) * 2021-06-15 2021-11-05 北京瞭望神州科技有限公司 一种船只识别监测方法及系统
CN114842195A (zh) * 2022-04-29 2022-08-02 重庆交通大学 海上船舶小目标可见光图像实时自动识别方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106886747A (zh) * 2016-12-28 2017-06-23 中国科学院长春光学精密机械与物理研究所 一种基于扩展小波变换的复杂背景下舰船检测方法
CN108711172A (zh) * 2018-04-24 2018-10-26 中国海洋大学 基于细粒度分类的无人机识别与定位方法
CN108957453A (zh) * 2018-07-23 2018-12-07 航天恒星科技有限公司 一种基于多目标跟踪的高精度动目标成像及识别方法
CN109145840A (zh) * 2018-08-29 2019-01-04 北京字节跳动网络技术有限公司 视频场景分类方法、装置、设备及存储介质
CN109241913A (zh) * 2018-09-10 2019-01-18 武汉大学 结合显著性检测和深度学习的船只检测方法及系统
CN109409283A (zh) * 2018-10-24 2019-03-01 深圳市锦润防务科技有限公司 一种海面舰船跟踪和监控的方法、系统和存储介质
CN109815967A (zh) * 2019-02-28 2019-05-28 北京环境特性研究所 基于特征融合的cnn舰船目标识别系统及方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106886747A (zh) * 2016-12-28 2017-06-23 中国科学院长春光学精密机械与物理研究所 一种基于扩展小波变换的复杂背景下舰船检测方法
CN108711172A (zh) * 2018-04-24 2018-10-26 中国海洋大学 基于细粒度分类的无人机识别与定位方法
CN108957453A (zh) * 2018-07-23 2018-12-07 航天恒星科技有限公司 一种基于多目标跟踪的高精度动目标成像及识别方法
CN109145840A (zh) * 2018-08-29 2019-01-04 北京字节跳动网络技术有限公司 视频场景分类方法、装置、设备及存储介质
CN109241913A (zh) * 2018-09-10 2019-01-18 武汉大学 结合显著性检测和深度学习的船只检测方法及系统
CN109409283A (zh) * 2018-10-24 2019-03-01 深圳市锦润防务科技有限公司 一种海面舰船跟踪和监控的方法、系统和存储介质
CN109815967A (zh) * 2019-02-28 2019-05-28 北京环境特性研究所 基于特征融合的cnn舰船目标识别系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JOSEPH REDMON,ALI FARHADI: "YOLOv3: An Incremental Improvement", 《RESEARCHGATE》 *
X猪: "YOLOv3深入理解", 《简书》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111667450A (zh) * 2019-12-23 2020-09-15 珠海大横琴科技发展有限公司 一种船只数量统计方法、装置及电子设备
CN112270326A (zh) * 2020-11-18 2021-01-26 珠海大横琴科技发展有限公司 一种遮挡船只的检测优化方法、装置及电子设备
CN112270326B (zh) * 2020-11-18 2022-03-22 珠海大横琴科技发展有限公司 一种遮挡船只的检测优化方法、装置及电子设备
CN113609891A (zh) * 2021-06-15 2021-11-05 北京瞭望神州科技有限公司 一种船只识别监测方法及系统
CN114842195A (zh) * 2022-04-29 2022-08-02 重庆交通大学 海上船舶小目标可见光图像实时自动识别方法及系统

Similar Documents

Publication Publication Date Title
CN110310264B (zh) 一种基于dcnn的大尺度目标检测方法、装置
CN111695397A (zh) 一种基于yolo的船只识别方法及电子设备
CN109086811B (zh) 多标签图像分类方法、装置及电子设备
WO2022111352A1 (zh) 目标检测方法及装置、存储介质、终端
CN109977191B (zh) 问题地图检测方法、装置、电子设备和介质
CN113469088B (zh) 一种无源干扰场景下的sar图像舰船目标检测方法及系统
CN111985458B (zh) 一种检测多目标的方法、电子设备及存储介质
CN112085022B (zh) 一种用于识别文字的方法、系统及设备
CN112085056B (zh) 目标检测模型生成方法、装置、设备及存储介质
CN111401309B (zh) 基于小波变换的cnn训练和遥感图像目标识别方法
CN113989600B (zh) 一种图像异物检测方法
CN114462469B (zh) 目标检测模型的训练方法、目标检测方法及相关装置
CN110969213A (zh) 一种基于Faster RCNN的船只检测方法、装置及电子设备
WO2022134354A1 (zh) 车损检测模型训练、车损检测方法、装置、设备及介质
CN116385380A (zh) 基于深度特征的缺陷检测方法、系统、设备及存储介质
CN114677596A (zh) 一种基于注意力模型的遥感图像船舶检测方法和装置
CN114037907A (zh) 输电线路的检测方法、装置、计算机设备、存储介质
CN115439395A (zh) 显示面板的缺陷检测方法、装置、存储介质及电子设备
CN114120138A (zh) 一种遥感影像目标检测识别方法、装置、设备及介质
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
Yildirim et al. Ship detection in optical remote sensing images using YOLOv4 and Tiny YOLOv4
CN111553183A (zh) 一种船只检测模型训练方法、船只检测方法及装置
CN114120071A (zh) 一种带有对象标注框图像的检测方法
CN111709951B (zh) 目标检测网络训练方法及系统及网络及装置及介质
CN109598712A (zh) 塑料泡沫餐盒的质量检测方法、装置、服务器及存储介质

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: 20200922

RJ01 Rejection of invention patent application after publication