论文部分内容阅读
随着我国提出海洋强国战略,水上交通将日趋繁忙。另一方面,在新一轮的人工智能的冲击下,水上交通智能化成为大势所趋。无人艇作为一种智能型海洋装备,其推广应用将加快海洋经济的快速发展。目前的无人艇技术主要依赖雷达、传感器、传统的目标检测技术等,随着计算机硬件技术的发展,基于深度学习的目标检测技术可以挖掘图像深层次特征信息,大大的弥补了传统目标检测和雷达技术的不足,并且可以节省大量成本。本文将采用基于深度学习的方法对水面目标检测展开研究。本文综合分析当今基于深度学习的经典算法的检测速度和检测精度,采用SSD算法设计水面目标检测的网络结构,通过自主收集、标注以及标准化的水面目标数据集进行训练、验证和测试,并对最后的检测结果进行了对比分析。通过对比分析发现基于SSD算法的水面目标检测在小目标数据的检测效果不太理想,并且在训练数据时经常发生中断等问题。为了解决SSD算法的水面目标检测的定位不准确以及小目标难以提取特征的缺陷,本文使用K-medoids算法对默认候选框的长宽比进行了聚类优化,使得默认候选框的长宽比更加贴合水面目标数据集,减少模型训练时位置偏移回归的次数。为了更好的提取小目标的特征,增加小目标数据集的数量,本文提出了一种新的数据增强手段——多目标组合图像,增加小目标的训练集数量。为了解决SSD算法在训练时中断的问题,使用Elu函数代替了 SSD算法原有的Relu激活函数,来提升模型的训练效率。为了提升水面目标检测模型的训练速度,添加预训练模型并适当进行参数的微调。通过实验对比,对基于SSD算法的水面目标检测的优化前后进行定量和定性分析,优化后的模型的检测结果一定程度上改善了 SSD算法对小目标的检测效果,在模型训练时也不在发生中断,并且优化后的模型在平均检测精度上相对于优化前上升了 2.2个百分点,所以优化后的基于SSD算法的水面目标检测模型在检测效果上优于传统的基于SSD算法的水面目标检测模型。