[发明专利]基于改进VGG网络的单阶段船舶检测算法及装置

摘要

本发明针对基于深度神经网络的船舶检测算法难以兼顾精度与速度的问题，为提高检测精度，提出一种基于改进VGG网络的单阶段船舶检测算法及装置，在原有VGG底层网络的基础上加入异步卷积和最大池化交替连接的结构，保证实时处理的同时提高船舶检测的平均精度。为保证实时的计算效率，摒弃复杂的残差神经网络和inception神经网络，在底层网络结构采用多种特征降维方式的单链卷积神经网络。为解决船舶目标数据缺乏问题，建立了针对水上目标检测的数据集。在网络训练过程中，通过参数迁移的方式，提高大类船舶和七类船舶检测的平均精度，对大类船舶检测的平均精度超过84%，对七类船舶检测的平均精度均值超过89%，领先现有同类船舶检测算法。

主权项

1.基于改进VGG网络的单阶段船舶检测算法，其特征在于，包括以下步骤：(1)搭建SSSD网络搭建的SSSD网络包括底层网络和高层网络，所述的底层网络为单链卷积神经网络VGG，所述的底层网络采用最大池化和异步卷积交替连接的结构；所述的底层网络用于对输入的图像进行两层异步卷积分解；所述的高层网络用于对所述的底层网络输出的特征进行卷积降维，得到多个卷积特征，并合并得到的多个卷积特征，在回归特征图上计算、筛选并输出船舶目标的位置和类别；(2)构建数据库应用python语言和谷歌浏览器及插件，在百度图片搜索引擎中爬取数万张船舶图片；通过人工筛选方式删除画质较差的图片，根据筛选的图片进行船舶类别分类，同时以阿拉伯数字批量命名图片名称；其中，船舶类别分为大类船舶数据集VOC_boat和大类船舶数据集VOC_boat下的细分的七类船舶数据VOC_ship，大类船舶数据集VOC_boat仅标记为一个类别标签“boat”，七类船舶数据VOC_ship分别标记为七个类别标签，即“engineering_ship”、“freighter”、“passenger_ship”、“public_service_vessel”、“sailboat”、“speedboat”、“submarine”；利用GitHub网页资源，下载labelimg软件包，在筛选的图片中打标签制作数据集；利用python调用xml库函数批量处理标签文件，剔除无目标类别的标签文件，最后删除无标签文件对应的图片，获得带有标签的船舶目标的标准数据集；(3)网络训练采用双线性内插法将标准数据集中的图片统一压缩为300×300的图像作为训练样本，使用训练样本对搭建的SSSD网络进行训练，得到训练后的SSSD网络；(4)网络测试利用训练后的SSSD网络对待检测的船舶图像提取特征向量，计算、筛选并输出位置和类别两种向量。