CN117830304A - 一种水雾船舶检测方法、系统及计算机存储介质 - Google Patents
一种水雾船舶检测方法、系统及计算机存储介质 Download PDFInfo
- Publication number
- CN117830304A CN117830304A CN202410240369.3A CN202410240369A CN117830304A CN 117830304 A CN117830304 A CN 117830304A CN 202410240369 A CN202410240369 A CN 202410240369A CN 117830304 A CN117830304 A CN 117830304A
- Authority
- CN
- China
- Prior art keywords
- current
- clear
- ship
- pseudo
- loss value
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 149
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 128
- 239000003595 mist Substances 0.000 title claims abstract description 121
- 238000012549 training Methods 0.000 claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000010586 diagram Methods 0.000 claims description 40
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 239000000779 smoke Substances 0.000 claims 1
- 238000000605 extraction Methods 0.000 description 6
- 230000004927 fusion Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开一种水雾船舶检测方法、系统及计算机存储介质。其中，该方法包括：将训练集进行标定，得到人工标定结果；将训练集中清晰船舶图片输入到清晰船舶检测模型中得到当前每个阶段清晰特征图和当前清晰预测结果；将训练集中水雾船舶图片输入到增加去雾网络的水雾船舶检测模型中得到伪清晰船舶图片、当前每个阶段伪清晰特征图、当前伪清晰预测结果；根据清晰船舶图片、伪清晰船舶图片、当前每个阶段清晰特征图、当前每个阶段伪清晰特征图、当前清晰预测结果、当前伪清晰预测结果、人工标定结果反向更新水雾船舶检测模型；重复上述得到目标水雾船舶检测模型；将待检测的水雾船舶图片输入到目标水雾船舶检测模型中进行检测，得到船舶位置和类别。
Description
技术领域
本发明涉及船舶检测技术领域，具体而言，涉及一种水雾船舶检测方法、系统及计算机存储介质。
背景技术
随着水上交通不断发展，水上交通秩序也不断升级，维持水上交通的工作人员的工作量不断增加，其中船舶检测是水上交通工作量的之一。但水面比路面更加复杂，水面容易出现水雾现象，导致船舶容易被水雾遮挡，以至于用已经存在的船舶检测方法无法很好的检测出船舶。船舶除雾可能会对图片像素进行修改，可能存在人工视觉船舶信息更加丰富明显，但机器视觉可能出现无效像素值越来越多，导致船舶检测算法变差。
针对现有技术中除雾后的船舶图片的像素被修改，采用已经存在的船舶检测方法无法很好的检测出船舶的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例中提供一种水雾船舶检测方法、系统及计算机存储介质，以解决现有技术中除雾后的船舶图片的像素被修改，采用已经存在的船舶检测方法无法很好的检测出船舶的问题。
为达到上述目的，一方面，本发明提供了一种水雾船舶检测方法，该方法包括：S1、获取训练集，所述训练集分为多组，每组中包括一张清晰船舶图片和对应的一张水雾船舶图片；将所述训练集中全部图片的船舶类别和坐标进行人工标定，得到人工标定结果；S2、将训练集中当前组中当前张清晰船舶图片输入到清晰船舶检测模型的主干网络中，得到当前每个阶段清晰特征图；将所述当前每个阶段清晰特征图输入到所述清晰船舶检测模型的检测头中，得到当前清晰预测结果；S3、将训练集中当前组中当前张水雾船舶图片依次输入到水雾船舶检测模型的主干网络、去雾网络中，得到当前张伪清晰船舶图片；将当前张伪清晰船舶图片输入到所述水雾船舶检测模型的主干网络中，得到当前每个阶段伪清晰特征图；将所述当前每个阶段伪清晰特征图输入到所述水雾船舶检测模型的检测头中，得到当前伪清晰预测结果；S4、根据所述当前清晰预测结果和当前张清晰船舶图片的人工标定结果计算得到当前标定清晰损失值，根据所述当前标定清晰损失值反向更新所述清晰船舶检测模型；根据所述当前张清晰船舶图片、所述当前张伪清晰船舶图片计算得到当前像素损失值；根据所述当前每个阶段清晰特征图、所述当前每个阶段伪清晰特征图计算得到当前所有阶段特征损失值；根据所述当前伪清晰预测结果和当前张水雾船舶图片的人工标定结果计算得到当前标定伪清晰损失值；根据所述当前伪清晰预测结果和当前清晰预测结果计算得到当前指导伪清晰损失值；将所述当前像素损失值、所述当前所有阶段特征损失值、所述当前标定伪清晰损失值、所述当前指导伪清晰损失值求和得到当前水雾损失值，根据所述当前水雾损失值反向更新所述水雾船舶检测模型；S5、重复S2~S4，直至将训练集中所有组的清晰船舶图片和对应的水雾船舶图片训练完并进行多轮训练后，得到目标水雾船舶检测模型；S6、将待检测的水雾船舶图片输入到所述目标水雾船舶检测模型中进行检测，得到船舶位置和类别。
可选的，所述当前清晰预测结果包括：当前张清晰船舶图片中预测的每个船舶的类别的概率、预测的每个船舶的坐标；所述根据所述当前清晰预测结果和当前张清晰船舶图片的人工标定结果计算得到当前标定清晰损失值包括：根据所述当前张清晰船舶图片中预测的每个船舶的类别的概率和人工标定的每个船舶的类别的概率计算得到当前标定清晰类别损失值；根据所述当前张清晰船舶图片中预测的每个船舶的坐标和人工标定的每个船舶的坐标计算得到当前标定清晰坐标损失值；将所述当前标定清晰类别损失值和所述当前标定清晰坐标损失值求和得到所述当前标定清晰损失值。
可选的，所述当前像素损失值根据以下公式计算：
；
其中，为当前像素损失值，/>为当前张清晰船舶图片的像素值，为当前张伪清晰船舶图片的像素值，/>为当前张清晰船舶图片或当前张伪清晰船舶图片的像素的个数，其等于宽×高。
可选的，当前每个阶段特征损失值均根据以下公式计算：
；
其中，为当前阶段特征损失值，/>、H、C分别为当前阶段清晰特征图或当前阶段伪清晰特征图的宽、高、通道，/>为当前阶段清晰特征图中当前whc中的特征值，/>为当前阶段伪清晰特征图中当前whc中的特征值。
可选的，所述当前伪清晰预测结果包括：当前张伪清晰船舶图片中预测的每个船舶的类别的概率、预测的每个船舶的坐标；所述根据所述当前伪清晰预测结果和当前张水雾船舶图片的人工标定结果计算得到当前标定伪清晰损失值包括：根据所述当前张伪清晰船舶图片中预测的每个船舶的类别的概率和对应的当前张水雾船舶图片中人工标定的每个船舶的类别的概率计算得到当前标定伪清晰类别损失值；根据所述当前张伪清晰船舶图片中预测的每个船舶的坐标和对应的当前张水雾船舶图片中人工标定的每个船舶的坐标计算得到当前标定伪清晰坐标损失值；将所述当前标定伪清晰类别损失值和所述当前标定伪清晰坐标损失值求和得到所述当前标定伪清晰损失值。
可选的，所述根据所述当前伪清晰预测结果和当前清晰预测结果计算得到当前指导伪清晰损失值包括：根据所述当前伪清晰预测结果和当前清晰预测结果计算得到当前指导伪清晰类别损失值和当前指导伪清晰坐标损失值；将所述当前指导伪清晰类别损失值和当前指导伪清晰坐标损失值求和得到所述当前指导伪清晰损失值。
可选的，所述当前指导伪清晰类别损失值根据以下公式计算：
；
其中，为当前指导伪清晰类别损失值，N为当前清晰预测结果中船舶的个数；/>为当前清晰预测结果中第i个船舶的类别的概率；/>为当前伪清晰预测结果中第i个船舶的类别的概率。
可选的，所述当前指导伪清晰坐标损失值根据以下公式计算：
；
其中，为当前指导伪清晰坐标损失值，N为当前清晰预测结果中船舶的个数；/>为当前清晰预测结果中第i个船舶的坐标，/>为当前伪清晰预测结果第i个船舶的坐标，IOU为交并比。
另一方面，本发明提供了一种水雾船舶检测系统，该系统包括：标定单元，用于获取训练集，所述训练集分为多组，每组中包括一张清晰船舶图片和对应的一张水雾船舶图片；将所述训练集中全部图片的船舶类别和坐标进行人工标定，得到人工标定结果；清晰船舶图片检测单元，用于将训练集中当前组中当前张清晰船舶图片输入到清晰船舶检测模型的主干网络中，得到当前每个阶段清晰特征图；将所述当前每个阶段清晰特征图输入到所述清晰船舶检测模型的检测头中，得到当前清晰预测结果；伪清晰船舶图片检测单元，用于将训练集中当前组中当前张水雾船舶图片依次输入到水雾船舶检测模型的主干网络、去雾网络中，得到当前张伪清晰船舶图片；将当前张伪清晰船舶图片输入到所述水雾船舶检测模型的主干网络中，得到当前每个阶段伪清晰特征图；将所述当前每个阶段伪清晰特征图输入到所述水雾船舶检测模型的检测头中，得到当前伪清晰预测结果；损失值计算单元，用于根据所述当前清晰预测结果和当前张清晰船舶图片的人工标定结果计算得到当前标定清晰损失值，根据所述当前标定清晰损失值反向更新所述清晰船舶检测模型；根据所述当前张清晰船舶图片、所述当前张伪清晰船舶图片计算得到当前像素损失值；根据所述当前每个阶段清晰特征图、所述当前每个阶段伪清晰特征图计算得到当前所有阶段特征损失值；根据所述当前伪清晰预测结果和当前张水雾船舶图片的人工标定结果计算得到当前标定伪清晰损失值；根据所述当前伪清晰预测结果和当前清晰预测结果计算得到当前指导伪清晰损失值；将所述当前像素损失值、所述当前所有阶段特征损失值、所述当前标定伪清晰损失值、所述当前指导伪清晰损失值求和得到当前水雾损失值，根据所述当前水雾损失值反向更新所述水雾船舶检测模型；重复训练单元，用于重复清晰船舶图片检测单元、伪清晰船舶图片检测单元、损失值计算单元，直至将训练集中所有组的清晰船舶图片和对应的水雾船舶图片训练完并进行多轮训练后，得到目标水雾船舶检测模型；水雾船舶图片检测单元，用于将待检测的水雾船舶图片输入到所述目标水雾船舶检测模型中进行检测，得到船舶位置和类别。
另一方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述的水雾船舶检测方法。
本发明的有益效果：
本发明提供了一种水雾船舶检测方法、系统及计算机存储介质，其中，该方法采用清晰船舶图片的模型推理信息指导伪清晰船舶图片的模型推理信息，使目标水雾船舶检测模型对船舶关键信息能力变强；该方法在常规的船舶检测网络中增加去雾网络，使船舶检测的数据处理变成可训练，且使检测网络和去雾网络同时学习，从而达到检测网络学习到去雾后的船舶特征，使对去雾后的船舶图片具有更好的提取特征能力。
附图说明
图1是本发明实施例提供的一种水雾船舶检测方法的流程图；
图2是本发明实施例提供的一种水雾船舶检测系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅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，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
图1是本发明实施例提供的一种水雾船舶检测方法，如图1所示，该方法包括：
S1、获取训练集，所述训练集分为多组，每组中包括一张清晰船舶图片和对应的一张水雾船舶图片；将所述训练集中全部图片的船舶类别和坐标进行人工标定，得到人工标定结果；
具体的，假设训练集分为100组，每组中包括一张清晰船舶图片和对应的一张水雾船舶图片；人工标定训练集的100组图片的清晰船舶图片和水雾船舶图片的船舶信息，即标定船舶的类别和坐标，得到所有清晰船舶图片的人工标定结果和所有水雾船舶图片的人工标定结果。
S2、将训练集中当前组中当前张清晰船舶图片输入到清晰船舶检测模型的主干网络中，得到当前每个阶段清晰特征图；将所述当前每个阶段清晰特征图输入到所述清晰船舶检测模型的检测头中，得到当前清晰预测结果；
具体的，以训练集中的一组为例，将该组中当前张清晰船舶图片和当前张水雾船舶图片进行数据处理，即进行相同的数据处理操作，将两张图片缩放到相同的尺度。
将缩放后的当前张清晰船舶图片输入到清晰船舶检测模型的主干网络中进行特征提取，得到当前每个阶段清晰特征图；将当前每个阶段清晰特征图输入到所述清晰船舶检测模型的检测头中，得到当前清晰预测结果；
所述当前清晰预测结果包括：当前张清晰船舶图片中预测的每个船舶的类别的概率、预测的每个船舶的坐标。
S3、将训练集中当前组中当前张水雾船舶图片依次输入到水雾船舶检测模型的主干网络、去雾网络中，得到当前张伪清晰船舶图片；将当前张伪清晰船舶图片输入到所述水雾船舶检测模型的主干网络中，得到当前每个阶段伪清晰特征图；将所述当前每个阶段伪清晰特征图输入到所述水雾船舶检测模型的检测头中，得到当前伪清晰预测结果；
具体的，将缩放后的当前张水雾船舶图片先输入到水雾船舶检测模型的主干网络（水雾船舶检测模型的主干网络与清晰船舶检测模型的主干网络结构一致，本专利使用resnet50）中进行特征提取，得到当前每个阶段水雾特征图；将当前每个阶段水雾特征图输入到去雾网络（即Unet是由特征提取部分和特征融合部分组成，本专利去雾网络使用的是Unet的特征融合部分）中，对当前每个阶段水雾特征图进行特征融合，生成当前张伪清晰船舶图片；需要注意的是，当前张伪清晰船舶图片与缩放后的当前张清晰船舶图片尺度一致；去雾网络的特征提取部分由水雾船舶检测模型的主干网络替代，即共用参数。
将当前张伪清晰船舶图片输入到所述水雾船舶检测模型的主干网络中，得到当前每个阶段伪清晰特征图；将当前每个阶段伪清晰特征图输入到所述水雾船舶检测模型的检测头中，得到当前伪清晰预测结果；
所述当前伪清晰预测结果包括：当前张伪清晰船舶图片中预测的每个船舶的类别的概率、预测的每个船舶的坐标。
S4、根据所述当前清晰预测结果和当前张清晰船舶图片的人工标定结果计算得到当前标定清晰损失值，根据所述当前标定清晰损失值反向更新所述清晰船舶检测模型；根据所述当前张清晰船舶图片、所述当前张伪清晰船舶图片计算得到当前像素损失值；根据所述当前每个阶段清晰特征图、所述当前每个阶段伪清晰特征图计算得到当前所有阶段特征损失值；根据所述当前伪清晰预测结果和当前张水雾船舶图片的人工标定结果计算得到当前标定伪清晰损失值；根据所述当前伪清晰预测结果和当前清晰预测结果计算得到当前指导伪清晰损失值；将所述当前像素损失值、所述当前所有阶段特征损失值、所述当前标定伪清晰损失值、所述当前指导伪清晰损失值求和得到当前水雾损失值，根据所述当前水雾损失值反向更新所述水雾船舶检测模型；
具体的，所述根据所述当前清晰预测结果和当前张清晰船舶图片的人工标定结果计算得到当前标定清晰损失值包括：
根据所述当前张清晰船舶图片中预测的每个船舶的类别的概率和人工标定的每个船舶的类别的概率计算得到当前标定清晰类别损失值；
根据所述当前张清晰船舶图片中预测的每个船舶的坐标和人工标定的每个船舶的坐标计算得到当前标定清晰坐标损失值；
将所述当前标定清晰类别损失值和所述当前标定清晰坐标损失值求和得到所述当前标定清晰损失值。
其具体公式为：
；
其中，为当前标定清晰损失值，/>为当前标定清晰类别损失值，为当前标定清晰坐标损失值。
根据所述当前标定清晰损失值对清晰船舶检测模型进行反向更新优化，以使下一张清晰船舶图片输入到更新后的清晰船舶检测模型中进行检测。
所述当前像素损失值根据以下公式计算：
；
其中，为当前像素损失值，/>为当前张清晰船舶图片的像素值，为当前张伪清晰船舶图片的像素值，/>为当前张清晰船舶图片或当前张伪清晰船舶图片的像素的个数，其等于宽×高。
当前每个阶段特征损失值均根据以下公式计算：
；
其中，为当前阶段特征损失值，/>、H、C分别为当前阶段清晰特征图或当前阶段伪清晰特征图的宽、高、通道，/>为当前阶段清晰特征图中当前whc中的特征值，/>为当前阶段伪清晰特征图中当前whc中的特征值。
将当前所有阶段特征损失值求和得到当前总特征损失值。
所述根据所述当前伪清晰预测结果和当前张水雾船舶图片的人工标定结果计算得到当前标定伪清晰损失值包括：
根据所述当前张伪清晰船舶图片中预测的每个船舶的类别的概率和对应的当前张水雾船舶图片中人工标定的每个船舶的类别的概率计算得到当前标定伪清晰类别损失值；
根据所述当前张伪清晰船舶图片中预测的每个船舶的坐标和对应的当前张水雾船舶图片中人工标定的每个船舶的坐标计算得到当前标定伪清晰坐标损失值；
将所述当前标定伪清晰类别损失值和所述当前标定伪清晰坐标损失值求和得到所述当前标定伪清晰损失值。
所述根据所述当前伪清晰预测结果和当前清晰预测结果计算得到当前指导伪清晰损失值包括：
根据所述当前伪清晰预测结果和当前清晰预测结果计算得到当前指导伪清晰类别损失值和当前指导伪清晰坐标损失值；
将所述当前指导伪清晰类别损失值和当前指导伪清晰坐标损失值求和得到所述当前指导伪清晰损失值。
其中，所述当前指导伪清晰类别损失值根据以下公式计算：
；
其中，为当前指导伪清晰类别损失值，N为当前清晰预测结果中船舶的个数；/>为当前清晰预测结果中第i个船舶的类别的概率；/>为当前伪清晰预测结果中第i个船舶的类别的概率。
所述当前指导伪清晰坐标损失值根据以下公式计算：
；
其中，为当前指导伪清晰坐标损失值，N为当前清晰预测结果中船舶的个数；/>为当前清晰预测结果中第i个船舶的坐标，/>为当前伪清晰预测结果第i个船舶的坐标，IOU为交并比。
所述当前水雾损失值具体根据以下公式计算：
；
其中，为当前水雾损失值，/>为当前标定伪清晰类别损失值，为当前标定伪清晰坐标损失值，/>为当前像素损失值，/>为当前总特征损失值，/>为当前指导伪清晰类别损失值，/>为当前指导伪清晰坐标损失值。
根据所述当前水雾损失值对水雾船舶检测模型进行反向更新优化，以使下一张水雾船舶图片输入到更新后的水雾船舶检测模型中进行检测。
S5、重复S2~S4，直至将训练集中所有组的清晰船舶图片和对应的水雾船舶图片训练完并进行多轮训练后，得到目标水雾船舶检测模型；
具体的，重复S2~S4，直至将训练集中100组的清晰船舶图片和对应的水雾船舶图片训练完，则为进行了一轮训练；每训练一组，则更新一次所述清晰船舶检测模型和水雾船舶检测模型，重复S2~S4以进行多轮训练，直至当前水雾损失值在预设范围内（±0.1%）波动后停止训练，将最后更新得到的水雾船舶检测模型作为所述目标水雾船舶检测模型。
S6、将待检测的水雾船舶图片输入到所述目标水雾船舶检测模型中进行检测，得到船舶位置和类别。
具体的，将待检测的水雾船舶图片输入到所述目标水雾船舶检测模型的主干网络中进行检测，得到每个阶段的特征图，将每个阶段的特征图输入到去雾网络中进行特征融合，得到待检测的伪清晰船舶图片；将待检测的伪清晰船舶图片依次输入到目标水雾船舶检测模型的主干网络、检测头中进行检测，得到船舶位置和类别。
图2是本发明实施例提供的一种水雾船舶检测系统的结构示意图，如图2所示，该系统包括：
标定单元201，用于获取训练集，所述训练集分为多组，每组中包括一张清晰船舶图片和对应的一张水雾船舶图片；将所述训练集中全部图片的船舶类别和坐标进行人工标定，得到人工标定结果；
清晰船舶图片检测单元202，用于将训练集中当前组中当前张清晰船舶图片输入到清晰船舶检测模型的主干网络中，得到当前每个阶段清晰特征图；将所述当前每个阶段清晰特征图输入到所述清晰船舶检测模型的检测头中，得到当前清晰预测结果；
伪清晰船舶图片检测单元203，用于将训练集中当前组中当前张水雾船舶图片依次输入到水雾船舶检测模型的主干网络、去雾网络中，得到当前张伪清晰船舶图片；将当前张伪清晰船舶图片输入到所述水雾船舶检测模型的主干网络中，得到当前每个阶段伪清晰特征图；将所述当前每个阶段伪清晰特征图输入到所述水雾船舶检测模型的检测头中，得到当前伪清晰预测结果；
损失值计算单元204，用于根据所述当前清晰预测结果和当前张清晰船舶图片的人工标定结果计算得到当前标定清晰损失值，根据所述当前标定清晰损失值反向更新所述清晰船舶检测模型；根据所述当前张清晰船舶图片、所述当前张伪清晰船舶图片计算得到当前像素损失值；根据所述当前每个阶段清晰特征图、所述当前每个阶段伪清晰特征图计算得到当前所有阶段特征损失值；根据所述当前伪清晰预测结果和当前张水雾船舶图片的人工标定结果计算得到当前标定伪清晰损失值；根据所述当前伪清晰预测结果和当前清晰预测结果计算得到当前指导伪清晰损失值；将所述当前像素损失值、所述当前所有阶段特征损失值、所述当前标定伪清晰损失值、所述当前指导伪清晰损失值求和得到当前水雾损失值，根据所述当前水雾损失值反向更新所述水雾船舶检测模型；
重复训练单元205，用于重复清晰船舶图片检测单元202、伪清晰船舶图片检测单元203、损失值计算单元204，直至将训练集中所有组的清晰船舶图片和对应的水雾船舶图片训练完并进行多轮训练后，得到目标水雾船舶检测模型；
水雾船舶图片检测单元206，用于将待检测的水雾船舶图片输入到所述目标水雾船舶检测模型中进行检测，得到船舶位置和类别。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述的水雾船舶检测方法。
上述存储介质中存储有上述软件，该存储介质包括但不限于：光盘、软盘、硬盘、可擦写存储器等。
本发明的方法采用清晰船舶图片的模型推理信息指导伪清晰船舶图片的模型推理信息，使目标水雾船舶检测模型对船舶关键信息能力变强；该方法在常规的船舶检测网络中增加去雾网络，使船舶检测的数据处理变成可训练，且使检测网络和去雾网络同时学习，从而达到检测网络学习到去雾后的船舶特征，使对去雾后的船舶图片具有更好的提取特征能力。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种水雾船舶检测方法，其特征在于，包括：
S1、获取训练集，所述训练集分为多组，每组中包括一张清晰船舶图片和对应的一张水雾船舶图片；将所述训练集中全部图片的船舶类别和坐标进行人工标定，得到人工标定结果；
S2、将训练集中当前组中当前张清晰船舶图片输入到清晰船舶检测模型的主干网络中，得到当前每个阶段清晰特征图；将所述当前每个阶段清晰特征图输入到所述清晰船舶检测模型的检测头中，得到当前清晰预测结果；
S3、将训练集中当前组中当前张水雾船舶图片依次输入到水雾船舶检测模型的主干网络、去雾网络中，得到当前张伪清晰船舶图片；将当前张伪清晰船舶图片输入到所述水雾船舶检测模型的主干网络中，得到当前每个阶段伪清晰特征图；将所述当前每个阶段伪清晰特征图输入到所述水雾船舶检测模型的检测头中，得到当前伪清晰预测结果；
S4、根据所述当前清晰预测结果和当前张清晰船舶图片的人工标定结果计算得到当前标定清晰损失值，根据所述当前标定清晰损失值反向更新所述清晰船舶检测模型；根据所述当前张清晰船舶图片、所述当前张伪清晰船舶图片计算得到当前像素损失值；根据所述当前每个阶段清晰特征图、所述当前每个阶段伪清晰特征图计算得到当前所有阶段特征损失值；根据所述当前伪清晰预测结果和当前张水雾船舶图片的人工标定结果计算得到当前标定伪清晰损失值；根据所述当前伪清晰预测结果和当前清晰预测结果计算得到当前指导伪清晰损失值；将所述当前像素损失值、所述当前所有阶段特征损失值、所述当前标定伪清晰损失值、所述当前指导伪清晰损失值求和得到当前水雾损失值，根据所述当前水雾损失值反向更新所述水雾船舶检测模型；
S5、重复S2~S4，直至将训练集中所有组的清晰船舶图片和对应的水雾船舶图片训练完并进行多轮训练后，得到目标水雾船舶检测模型；
S6、将待检测的水雾船舶图片输入到所述目标水雾船舶检测模型中进行检测，得到船舶位置和类别。
2.根据权利要求1所述的方法，其特征在于：
所述当前清晰预测结果包括：当前张清晰船舶图片中预测的每个船舶的类别的概率、预测的每个船舶的坐标；
所述根据所述当前清晰预测结果和当前张清晰船舶图片的人工标定结果计算得到当前标定清晰损失值包括：
根据所述当前张清晰船舶图片中预测的每个船舶的类别的概率和人工标定的每个船舶的类别的概率计算得到当前标定清晰类别损失值；
根据所述当前张清晰船舶图片中预测的每个船舶的坐标和人工标定的每个船舶的坐标计算得到当前标定清晰坐标损失值；
将所述当前标定清晰类别损失值和所述当前标定清晰坐标损失值求和得到所述当前标定清晰损失值。
3.根据权利要求1所述的方法，其特征在于：
所述当前像素损失值根据以下公式计算：
；
其中，为当前像素损失值，/>为当前张清晰船舶图片的像素值，为当前张伪清晰船舶图片的像素值，/>为当前张清晰船舶图片或当前张伪清晰船舶图片的像素的个数，其等于宽×高。
4.根据权利要求1所述的方法，其特征在于：
当前每个阶段特征损失值均根据以下公式计算：
；
其中，为当前阶段特征损失值，/>、H、C分别为当前阶段清晰特征图或当前阶段伪清晰特征图的宽、高、通道，/>为当前阶段清晰特征图中当前whc中的特征值，/>为当前阶段伪清晰特征图中当前whc中的特征值。
5.根据权利要求2所述的方法，其特征在于：
所述当前伪清晰预测结果包括：当前张伪清晰船舶图片中预测的每个船舶的类别的概率、预测的每个船舶的坐标；
所述根据所述当前伪清晰预测结果和当前张水雾船舶图片的人工标定结果计算得到当前标定伪清晰损失值包括：
根据所述当前张伪清晰船舶图片中预测的每个船舶的类别的概率和对应的当前张水雾船舶图片中人工标定的每个船舶的类别的概率计算得到当前标定伪清晰类别损失值；
根据所述当前张伪清晰船舶图片中预测的每个船舶的坐标和对应的当前张水雾船舶图片中人工标定的每个船舶的坐标计算得到当前标定伪清晰坐标损失值；
将所述当前标定伪清晰类别损失值和所述当前标定伪清晰坐标损失值求和得到所述当前标定伪清晰损失值。
6.根据权利要求5所述的方法，其特征在于，所述根据所述当前伪清晰预测结果和当前清晰预测结果计算得到当前指导伪清晰损失值包括：
根据所述当前伪清晰预测结果和当前清晰预测结果计算得到当前指导伪清晰类别损失值和当前指导伪清晰坐标损失值；
将所述当前指导伪清晰类别损失值和当前指导伪清晰坐标损失值求和得到所述当前指导伪清晰损失值。
7.根据权利要求6所述的方法，其特征在于：
所述当前指导伪清晰类别损失值根据以下公式计算：
；
其中，为当前指导伪清晰类别损失值，N为当前清晰预测结果中船舶的个数；/>为当前清晰预测结果中第i个船舶的类别的概率；/>为当前伪清晰预测结果中第i个船舶的类别的概率。
8.根据权利要求6所述的方法，其特征在于：
所述当前指导伪清晰坐标损失值根据以下公式计算：
；
其中，为当前指导伪清晰坐标损失值，N为当前清晰预测结果中船舶的个数；/>为当前清晰预测结果中第i个船舶的坐标，/>为当前伪清晰预测结果第i个船舶的坐标，IOU为交并比。
9.一种水雾船舶检测系统，其特征在于：
标定单元，用于获取训练集，所述训练集分为多组，每组中包括一张清晰船舶图片和对应的一张水雾船舶图片；将所述训练集中全部图片的船舶类别和坐标进行人工标定，得到人工标定结果；
清晰船舶图片检测单元，用于将训练集中当前组中当前张清晰船舶图片输入到清晰船舶检测模型的主干网络中，得到当前每个阶段清晰特征图；将所述当前每个阶段清晰特征图输入到所述清晰船舶检测模型的检测头中，得到当前清晰预测结果；
伪清晰船舶图片检测单元，用于将训练集中当前组中当前张水雾船舶图片依次输入到水雾船舶检测模型的主干网络、去雾网络中，得到当前张伪清晰船舶图片；将当前张伪清晰船舶图片输入到所述水雾船舶检测模型的主干网络中，得到当前每个阶段伪清晰特征图；将所述当前每个阶段伪清晰特征图输入到所述水雾船舶检测模型的检测头中，得到当前伪清晰预测结果；
损失值计算单元，用于根据所述当前清晰预测结果和当前张清晰船舶图片的人工标定结果计算得到当前标定清晰损失值，根据所述当前标定清晰损失值反向更新所述清晰船舶检测模型；根据所述当前张清晰船舶图片、所述当前张伪清晰船舶图片计算得到当前像素损失值；根据所述当前每个阶段清晰特征图、所述当前每个阶段伪清晰特征图计算得到当前所有阶段特征损失值；根据所述当前伪清晰预测结果和当前张水雾船舶图片的人工标定结果计算得到当前标定伪清晰损失值；根据所述当前伪清晰预测结果和当前清晰预测结果计算得到当前指导伪清晰损失值；将所述当前像素损失值、所述当前所有阶段特征损失值、所述当前标定伪清晰损失值、所述当前指导伪清晰损失值求和得到当前水雾损失值，根据所述当前水雾损失值反向更新所述水雾船舶检测模型；
重复训练单元，用于重复清晰船舶图片检测单元、伪清晰船舶图片检测单元、损失值计算单元，直至将训练集中所有组的清晰船舶图片和对应的水雾船舶图片训练完并进行多轮训练后，得到目标水雾船舶检测模型；
水雾船舶图片检测单元，用于将待检测的水雾船舶图片输入到所述目标水雾船舶检测模型中进行检测，得到船舶位置和类别。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1至8中任一项所述的水雾船舶检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410240369.3A CN117830304B (zh) | 2024-03-04 | 2024-03-04 | 一种水雾船舶检测方法、系统及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410240369.3A CN117830304B (zh) | 2024-03-04 | 2024-03-04 | 一种水雾船舶检测方法、系统及计算机存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117830304A true CN117830304A (zh) | 2024-04-05 |
| CN117830304B CN117830304B (zh) | 2024-05-24 |
Family
ID=90519486
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410240369.3A Active CN117830304B (zh) | 2024-03-04 | 2024-03-04 | 一种水雾船舶检测方法、系统及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117830304B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101805564B1 (ko) * | 2017-06-12 | 2018-01-18 | (주)지인테크 | 선박 충돌 방지용 경보 시스템 및 방법 |
| DE102018102850A1 (de) * | 2018-02-08 | 2019-08-08 | Connaught Electronics Ltd. | Kamera für ein Kraftfahrzeug, wobei in einem Zwischenraum der Kamera ein optisches Gel eingebracht ist, Kamera sowie Verfahren |
| CN113989613A (zh) * | 2021-10-13 | 2022-01-28 | 上海海事大学 | 一种应对复杂环境的轻量级高精度船舶目标检测方法 |
| CN114998117A (zh) * | 2022-05-05 | 2022-09-02 | 武汉理工大学 | 结合图像去雾去噪的港口船舶智能识别方法及系统 |
| CN115272876A (zh) * | 2022-07-15 | 2022-11-01 | 湖北工业大学 | 一种基于深度学习的遥感图像船舶目标检测方法 |
| CN115909064A (zh) * | 2022-11-15 | 2023-04-04 | 大连海事大学 | 一种海雾环境下基于深度学习的海上舰船目标检测方法 |
| CN116168256A (zh) * | 2023-04-19 | 2023-05-26 | 浙江华是科技股份有限公司 | 一种船舶检测方法、系统及计算机存储介质 |
| CN116309132A (zh) * | 2023-02-20 | 2023-06-23 | 中国船舶集团有限公司第七一九研究所 | 一种船舶低光照环境下的监测图像增强方法 |
| CN116596792A (zh) * | 2023-05-22 | 2023-08-15 | 武汉理工大学 | 一种面向智能船舶的内河雾天场景恢复方法、系统及设备 |
| CN116740572A (zh) * | 2023-06-25 | 2023-09-12 | 湖南大学 | 一种基于改进yolox的海上船舰目标检测方法和系统 |
| WO2023221608A1 (zh) * | 2022-05-20 | 2023-11-23 | 卡奥斯工业智能研究院(青岛)有限公司 | 口罩识别模型的训练方法、装置、设备及存储介质 |
| CN117557477A (zh) * | 2024-01-09 | 2024-02-13 | 浙江华是科技股份有限公司 | 一种船舶去雾复原方法及系统 |
-
2024
- 2024-03-04 CN CN202410240369.3A patent/CN117830304B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101805564B1 (ko) * | 2017-06-12 | 2018-01-18 | (주)지인테크 | 선박 충돌 방지용 경보 시스템 및 방법 |
| DE102018102850A1 (de) * | 2018-02-08 | 2019-08-08 | Connaught Electronics Ltd. | Kamera für ein Kraftfahrzeug, wobei in einem Zwischenraum der Kamera ein optisches Gel eingebracht ist, Kamera sowie Verfahren |
| CN113989613A (zh) * | 2021-10-13 | 2022-01-28 | 上海海事大学 | 一种应对复杂环境的轻量级高精度船舶目标检测方法 |
| CN114998117A (zh) * | 2022-05-05 | 2022-09-02 | 武汉理工大学 | 结合图像去雾去噪的港口船舶智能识别方法及系统 |
| WO2023221608A1 (zh) * | 2022-05-20 | 2023-11-23 | 卡奥斯工业智能研究院(青岛)有限公司 | 口罩识别模型的训练方法、装置、设备及存储介质 |
| CN115272876A (zh) * | 2022-07-15 | 2022-11-01 | 湖北工业大学 | 一种基于深度学习的遥感图像船舶目标检测方法 |
| CN115909064A (zh) * | 2022-11-15 | 2023-04-04 | 大连海事大学 | 一种海雾环境下基于深度学习的海上舰船目标检测方法 |
| CN116309132A (zh) * | 2023-02-20 | 2023-06-23 | 中国船舶集团有限公司第七一九研究所 | 一种船舶低光照环境下的监测图像增强方法 |
| CN116168256A (zh) * | 2023-04-19 | 2023-05-26 | 浙江华是科技股份有限公司 | 一种船舶检测方法、系统及计算机存储介质 |
| CN116596792A (zh) * | 2023-05-22 | 2023-08-15 | 武汉理工大学 | 一种面向智能船舶的内河雾天场景恢复方法、系统及设备 |
| CN116740572A (zh) * | 2023-06-25 | 2023-09-12 | 湖南大学 | 一种基于改进yolox的海上船舰目标检测方法和系统 |
| CN117557477A (zh) * | 2024-01-09 | 2024-02-13 | 浙江华是科技股份有限公司 | 一种船舶去雾复原方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| MUWAFAQ ALWAN; MUSTAFA JABBAR; OMAR HAMEED: "High Efficiency A/C System Development Using Automated Water Mist System", 2018 INTERNATIONAL CONFERENCE ON ENGINEERING TECHNOLOGIES AND THEIR APPLICATIONS (ICETA), 9 May 2018 (2018-05-09) * |
| WANG QIANG; YAN JIULEI; SUN MING: "Upgrading Scheme for Fire Monitoring Subsystem of Locomotive", CHINA RAILWAY SCIENCE, vol. 36, no. 5, 28 October 2015 (2015-10-28) * |
| 叶乐， 李朝锋: "基于频域通道注意力的 ＹＯＬＯｖ３ 网络的 雾天海洋图像船舶检测", 上 海海事大学学报, vol. 44, no. 2, 30 June 2023 (2023-06-30) * |
| 罗海霞，王强: "微波消解 电感耦合等离子体原子发射光谱法 测定钴铬钨系合金粉末中钨", 冶金分析, vol. 42, no. 2, 15 February 2022 (2022-02-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117830304B (zh) | 2024-05-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110232350B (zh) | 一种基于在线学习的实时水面多运动目标检测跟踪方法 | |
| CN112069874B (zh) | 胚胎光镜图像中细胞的识别方法及系统、设备及存储介质 | |
| EP2383701B1 (en) | Image processing method and apparatus | |
| CN109035170B (zh) | 基于单网格图分段映射的自适应广角图像校正方法及装置 | |
| CN112734739B (zh) | 一种基于注意力机制与ResNet融合的建筑裂缝可视化识别方法 | |
| CN112509003B (zh) | 解决目标跟踪框漂移的方法及系统 | |
| CN112818873A (zh) | 车道线检测方法、系统及电子设备 | |
| CN112949493A (zh) | 一种结合语义分割和注意力机制的车道线检测方法及系统 | |
| CN115330777B (zh) | 训练图片缩放尺寸船舶检测方法及系统 | |
| CN112287824A (zh) | 基于双目视觉的三维目标检测方法、装置及系统 | |
| CN115454062A (zh) | 一种基于贝兹曲线的机器人动态路径规划方法及系统 | |
| CN116168256A (zh) | 一种船舶检测方法、系统及计算机存储介质 | |
| CN109886980B (zh) | 一种基于邻域强度纹理编码的红外图像卷云检测方法 | |
| CN117830304B (zh) | 一种水雾船舶检测方法、系统及计算机存储介质 | |
| CN117351440B (zh) | 基于开放式文本检测的半监督船舶检测方法及系统 | |
| JPH10164370A (ja) | 画像の階調補間方法および装置並びに画像フィルタリング方法および画像フィルタ | |
| CN109886991B (zh) | 一种基于邻域强度纹理编码的红外成像河道检测方法 | |
| CN112308917A (zh) | 一种基于视觉的移动机器人定位方法 | |
| CN112101113A (zh) | 一种轻量化的无人机图像小目标检测方法 | |
| CN111192302A (zh) | 一种基于运动平滑性和ransac算法的特征匹配方法 | |
| CN110991230A (zh) | 基于旋转候选框的任意方向遥感影像舰船检测方法及系统 | |
| CN116091823A (zh) | 一种基于快速分组残差模块的单特征无锚框目标检测方法 | |
| CN114119883B (zh) | 基于自适应聚类的大粮堆储粮三维云图绘制方法及装置 | |
| CN113793472B (zh) | 基于特征深度聚合网络的图像型火灾探测器位姿估计方法 | |
| CN111582058B (zh) | 一种使用对抗式3d分层网络进行手部姿态估计的方法 |
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 | ||
| GR01 | Patent grant |