[发明专利]一种基于图像深度学习的海上目标识别系统

说明书

本发明涉及一种基于图像深度学习的海上目标识别系统，属于人工智能图像识别相关技术领域。为快速准确的识别出海上目标，满足态势评定与威胁评估的需要，为指挥决策提供重要依据，本发明提供了一种基于图像深度学习的海上目标识别系统。对比传统海上识别目标的方式，本发明技术方案的准确性、时效性、智能化程度都得到了极大提高。

技术领域

本发明属于人工智能图像识别相关技术领域，具体涉及一种基于图像深度学习的海上目标识别系统。

背景技术

目标识别技术是国防信息技术研究的重要问题之一，它对情报的收集和监控、武器制导领域具有重要的理论和应用价值。

随着深度学习理论的日益发展，深度神经网络被广泛的应用在目标检测中。然而目前用于检测目标的深度神经网络，在实时性要求较高的检测场景时，存在着实时性较差的问题，以及检测性能较差的问题。

发明内容

(一)要解决的技术问题

本发明要解决的技术问题是：设计一种海上目标识别系统，以更快地识别出海上目标，满足态势评定与威胁评估的需要。

(二)技术方案

为了解决上述技术问题，本发明提供了一种基于图像深度学习的海上目标识别系统，包括以下步骤：

图像预处理模块，用于获取海上目标图像，分别形成样本集和预测集，对所述样本集进行图像预处理，并构造训练标签；

模型训练模块，用于将所述海上目标图像的训练标签输入改进的YOLO v3识别模型中，训练得到海上目标识别模型；

目标检测模块，用于将海上目标图像的预测集，输入模型训练模块得到的海上目标识别模型中，进行目标检测，获得海上目标图像的属性信息，作为最终的目标检测结果；所述属性信息包括类别。

优选地，图像预处理模块对样本集进行图像预处理，并构造训练标签的方式具体为：

S1.1、搜集海上目标图像，将海上目标图像的样本集裁剪成固定大小；

S1.2、对所述样本集中的海上舰船进行目标框标注，目标框的信息参数包括：x_center、y_center、w、h，分别对应中心点横坐标、中心点纵坐标、目标框的宽、目标框的高，同时给出每个目标的分类，将标注后的信息存放在xml文件中；

S1.3、构造训练标签：利用YOLO v3模型将一张图片分为S*S的网格，每个网格负责预测一个目标，每个预测目标的参数包含x_center、y_center、w、h、confidence、prob，每个目标框有n_anchor个先验框，所以最后输入训练标签的特征shape为[batch_size,S,S,n_anchor*(5+class)]，其中batch_size为批尺寸，class为标准点，遍历所述xml文件，根据目标框中心坐标计算出网格的序号作为目标的索引，然后将网格的序号填充在xml文件里面。

优选地，所述改进YOLO v3识别模型是基于海上目标图像，对所述初始YOLO v3模型进行解析而生成的，在基于YOLOv3网络的主干网络中，使用DarkNet53作为特征提取网络，其中添加残差网络；引进先验框，通过聚类的方式得到先验框，作为回归的参考。

优选地，所述改进的YOLO v3识别模型的卷积神经网络可对输入的训练集的海上目标图像进行不同大小的卷积运算，形成海上目标图像的不同尺度的特征度；卷积神经网络学习海上目标图像不同尺度的特征，实现对海上目标多个尺度的检测。

优选地，将收集到的海上目标图像，输入到改进的YOLO v3识别模型中，改进型的YOLOv3识别模型会预测三个不同大小的3D张量3Dtensor，对应三个不同的规模scale。