文献类型：期刊文章

作　　者：聂鑫[1,2] 刘文[1,2] 吴巍[3]

NIE Xin;LIU Wen;WU Wei(School of Navigation,Wuhan University of Technology,Wuhan Hubei 430063,China;Hubei Key Laboratory of Inland Navigation Technology(Wuhan University of Technology),Wuhan Hubei 430063,China;School of Information Engineering,Wuhan University of Technology,Wuhan Hubei 430070,China)

机构地区：[1]武汉理工大学航运学院,武汉430063 [2]内河航运技术湖北省重点实验室(武汉理工大学),武汉430063 [3]武汉理工大学信息工程学院,武汉430070

出　　处：《计算机应用》

基　　金：国家自然科学基金资助项目(516091295);中央高校基本科研业务费专项(2019-zy-215)。

年　　份：2020

卷　　号：40

期　　号：9

起止页码：2561-2570

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSCD、CSCD_E2019_2020、IC、JST、RCCSE、ZGKJHX、ZMATH、核心刊

摘　　要：为提升水上交通安全监管的智能化水平,进一步提高基于深度学习的船舶目标检测算法的定位精度和检测准确率,在传统YOLOv3算法基础上,提出用于船舶目标检测的增强YOLOv3算法。首先,在网络预测层引入预测框不确定性回归,以预测边界框的不确定性信息;然后,使用负对数似然函数和改进的二值交叉熵函数重新设计损失函数;其次,针对船舶形状使用K均值聚类算法重新设计先验锚框尺寸并平均分配到对应预测尺度;在网络训练阶段,使用数据增强策略扩充训练样本数量;最后,使用加入高斯软阈值函数的非极大值抑制(NMS)算法对预测框进行后处理。对各种改进方法和不同目标检测算法在真实海事视频监控数据集上进行对比实验。实验结果显示,与传统YOLOv3算法相比,带有预测框不确定性信息的YOLOv3算法的假正样本(FP)数量降低了35.42%,真正样本(TP)数量提高了1.83%,所以提高了准确率;增强YOLOv3算法在船舶图像上的平均准确率均值(mAP)达到87.74%,与传统YOLOv3算法和Faster R-CNN算法相比分别提高了24.12%和23.53%;所提算法的每秒钟检测图像数量达到30.70张,满足实时检测的要求。实验结果表明,所提算法在雾天和低照度等不良天气条件与复杂通航背景下,均能实现船舶目标的高精度稳定实时检测。

关 键 词：水路运输 目标检测 YOLOv3  船舶 深度学习  

分 类 号：TP391.41]