[发明专利]基于轻量级神经网络模型的内河船舶目标识别方法及系统

权利要求书

1.一种基于轻量级神经网络模型的内河船舶目标识别方法，其特征在于，包括以下步骤：

S1.构建轻量级神经网络模型，在特征提取网络部分，在MobileNetv3Large网络原有15个Bneck模块基础上，去除第5、第9个Bneck模块，得到压缩后的特征提取网络S-MobileNet网络；在算法预测结构上，利用特征金字塔结构对S-MobileNet网络的第6、第9、第13个Bneck模块进行多卷积层特征融合；在预测框回归损失函数和目标预测框非极大值抑制方面，利用融合距离度量指标的损失函数进行损失计算；

S2.对内河船舶图像进行筛选整理，形成内河船舶图像数据集；并利用随机划分的原则将数据集分为训练集和测试集；

S3、通过训练集和测试集对构建的轻量级神经网络模型进行训练；

S4、利用训练好的模型对内河船舶目标进行识别。

2.根据权利要求1所述的基于轻量级神经网络模型的内河船舶目标识别方法，其特征在于，在预测框损失值计算过程中，利用标签平滑方法进行预测框分类损失和位置损失的调整，避免过拟合。

3.根据权利要求1所述的基于轻量级神经网络模型的内河船舶目标识别方法，其特征在于，所述融合距离度量指标的损失函数为利用目标预测框与真实框的交并比和两框中心点距离度量指标，构建MIoU损失指标函数，具体为：

其中，|P∩G|为目标预测框与真实框的交集面积，|P∪G|为两框并集面积，L_MIoU为MIoU损失函数，d₁为两框中心点距离，d₂为两框最小闭包区域的对角线距离，b、b^gt分别为预测框和真实框的中心点，(x₁,y₁)、(x₂,y₂)分别为预测框和真实框的中心点坐标。

4.根据权利要求2所述的基于轻量级神经网络模型的内河船舶目标识别方法，其特征在于，所述标签平滑方法具体计算过程如下：

其中，P_i表示调整后的预测概率，K表示待分类的类别总数，ε表示设置的超参数，i表示目标预测值，y表示目标真实值。

5.根据权利要求1所述的基于轻量级神经网络模型的内河船舶目标识别方法，其特征在于，所述特征金字塔结构具有自上而下的运算逻辑，具体通过与特征提取网络部分的卷积层信息进行横向连接，构建3个目标预测通道，提高对多尺度图像目标的识别能力。

6.根据权利要求1所述的基于轻量级神经网络模型的内河船舶目标识别方法，其特征在于，模型训练过程具体为：应用迁移学习方法进行模型训练；同时，在模型训练过程中，每次迭代均计算模型损失值，当模型损失值在一定次数训练迭代的差值小于中断阈值时，模型训练结束。

7.根据权利要求6所述的基于轻量级神经网络模型的内河船舶目标识别方法，其特征在于，所述迁移学习方法为：在模型训练初期，只开启S-MobileNet网络最后的全连接层，冻结Bneck模块的卷积层，进行模型预训练，并将预训练后的参数保存；预训练结束后，开启S-MobileNet网络全部卷积模块，进行全卷积层运算。

8.根据权利要求1所述的基于轻量级神经网络模型的内河船舶目标识别方法，其特征在于，训练集和测试集两部分的图像数量比例为8:2。

9.根据权利要求1所述的基于轻量级神经网络模型的内河船舶目标识别方法，其特征在于，在模型训练过程中，随机对三张或四张图像进行包括裁剪、平移、缩放的操作，并对图像色彩饱和度、亮度及对比度进行调整，按规定顺序摆放好所选图片，将处理后的图片组合成一张图片后，再进行训练。

10.一种基于轻量级神经网络模型的内河船舶目标识别系统，其特征在于，包括：

轻量级神经网络模型构建模块，用于构建轻量级神经网络模型，在特征提取网络部分，在MobileNetv3Large网络原有15个Bneck模块基础上，去除第5、第9个Bneck模块，得到压缩后的特征提取网络S-MobileNet网络；在算法预测结构上，利用特征金字塔结构对S-MobileNet网络的第6、第9、第13个Bneck模块进行多卷积层特征融合；在预测框回归损失函数和目标预测框非极大值抑制方面，利用融合距离度量指标的损失函数进行损失计算；

数据集处理模块，用于对内河船舶图像进行筛选整理，形成内河船舶图像数据集；并利用随机划分的原则将数据集分为训练集和测试集；

训练模块，用于通过训练集和测试集对构建的轻量级神经网络模型进行训练；

识别模块，用于利用训练好的模型对内河船舶目标进行识别。