文献类型：期刊文章

作　　者：张晓鹏[1] 许志远[1] 曲胜[1] 邱文轩[1] 翟泽宇[1]

ZHANG Xiaopeng;XU Zhiyuan;QU Sheng;QIU Wenxuan;ZHAI Zeyu(College of Navigation and Ship Engineering,Dalian Ocean University,Dalian 116023,China)

机构地区：[1]大连海洋大学航海与船舶工程学院,辽宁大连116023

出　　处：《大连海洋大学学报》

基　　金：辽宁省教育厅科研项目(QL201911)。

年　　份：2022

卷　　号：37

期　　号：5

起止页码：866-872

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAB、CAS、CSCD、CSCD2021_2022、JST、RCCSE、WOS、ZGKJHX、核心刊

摘　　要：为提高多目标和雾天环境下的海上船舶识别准确率,提出一种基于改进YOLOv5深度学习的海上船舶识别模型(SE-NMS-YOLOv5),该模型结合暗通道去雾算法(Dark channel),并融合了SE(squeeze-and-excitation)注意力机制模块和改进非极大值抑制模型,对船舶数据集进行训练和测试。结果表明:在船舶识别任务上,SE-NMS-YOLOv5模型的准确率、召回率和F1值分别为90.6%、89.9%、90.5%,检测效果比YOLOv5模型分别提升了6.3%、4.8%、5.8%,比YOLOv4模型分别提升了19.1%、19.0%、19.3%;在雾天船舶识别任务上,SE-NMS-YOLOv5-Dark channel模型的准确率、召回率和F1值分别为88.1%、87.2%、87.6%,比SE-NMS-YOLOv5模型的检测结果分别提升了13.8%、13.3%、13.5%。研究表明,SE-NMS-YOLOv5海上船舶识别模型有效地解决了多目标和雾天条件下,海上船舶检测准确率低的问题,提升了船舶检测和识别的整体效果。

关 键 词：船舶识别 YOLOv5  特征提取 深度学习  

分 类 号：S972] TP391.4[水产类]