[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

说明书

本发明公开了一种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，其中方法包括以下步骤：S1.构建轻量级神经网络模型，在特征提取网络部分，压缩MobileNetv3Large网络得到特征提取网络；在算法预测结构上，利用特征金字塔结构进行多卷积层特征融合；并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，划分训练集和测试集；S3、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。本发明有效提高了内河船舶图像目标识别精度，降低了船舶识别对硬件设备计算性能的依赖，有效提高了内河环境船舶视频监控信息的处理能力。

技术领域

本发明涉及的是图像识别技术领域，具体是一种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。

背景技术

随着内河航运业务的飞速发展，内河航道交通量迅速增加，通航环境日益复杂，利用航道视频监控系统对船舶目标进行识别，是船舶安全监测和危险预警的重要基础。目前，内河视频监控信息的分析及处理需要大量人工完成，人为因素的影响容易导致信息处理失误和不及时的问题。通过部署内河船舶识别模型，可以实时定位及分类船舶目标，为船舶通航监管及危险行为预警提供数据支撑。

传统的目标识别算法基于数学建模思想进行设计，通过提取图像中船舶轮廓特征进行目标识别。由于船舶轮廓信息容易受到图像背景干扰，因此传统目标识别算法对复杂环境下船舶分类及定位能力较弱，同时小尺度船舶图像目标特征信息较少，传统识别算法对此类船舶的识别精度较低。针对上述问题，很多学者提出了基于深度卷积神经网络的目标识别算法，此类算法通过深层网络提取船舶图像特征，实现了多尺度船舶图像目标的精确分类及定位。但基于深度卷积神经网络的算法需要借助大量船舶图像数据进行训练，在训练过程中将产生大量网络参数。同时，船舶识别模型需要借助高性能图像处理器才能达到船舶实时识别和精确识别要求。而内河船舶监控设备属于典型的嵌入式设备，计算能力较弱，无法运行计算消耗量和模型参数量较大的识别模型。

发明内容

本发明主要目的在于提供一种无需人为提取特征即可实现船舶特征的快速获取和船舶目标的精确分类及定位的基于轻量级神经网络的内河船舶识别方法及系统。

本发明所采用的技术方案是：

提供一种基于轻量级神经网络模型的内河船舶目标识别方法，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。

接上述技术方案，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。

接上述技术方案，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：