共查询到18条相似文献，搜索用时 171 毫秒
1.
舰船目标检测是进行海洋环境监管,保障海上权益的重要手段。基于深度学习的目标检测算法能在复杂环境下保持良好性能,为测试不同深度学习目标检测算法在舰船检测中的效果,本文构建了一个包含3893张图像的数据集,涵盖了复杂背景下不同类型的舰船,基于此数据集分别采用Faster RCNN、SSD、RetinaNet、YOLOv3、YOLOv4算法进行实验,结果表明,YOLOv4 、YOLOv3、RetinaNet、Faster RCNN平均精度均在83%以上,其中YOLOv4最高达到91.77%,Faster RCNN误检较多,而SSD平均精度最低,只有79.23%,总的舰船检测数目偏少。将5种模型训练结果在高分二号影像上进行测试,得到较好的检测效果,对舰船检测未来理论研究的开展具有一定的指导意义。 相似文献
2.
罗逸豪 《数字海洋与水下攻防》2023,6(4):423-428
声呐图像目标检测是实现水下勘探、海底救援、敌对目标侦查等任务的重要环节,深度学习相关技术的突破为该领域的发展带来了新的机遇。基于深度学习的声呐图像目标检测算法性能优于传统方法,然而相关的系统性研究与应用仍然不足。鉴于此,利用深度学习模型数据驱动的优势设计了一种声呐图像目标检测系统,以满足实际应用对系统精度、速度、可移植性、可扩展性、部署环境的需求。该系统由数据集生成、算法模型训练与测试、模型部署应用 3 个子系统组成,应用于水下可疑目标探测任务,实验结果表明：所实现的目标检测系统在测试数据上和实际应用中均具有良好的性能。 相似文献
3.
随着人工智能的发展,水面无人艇可代替人工进行危险任务作业,目标检测是其完成自主探测的核心技术。深度学习技术克服了人工特征提取精度低、通用性差等局限性,已成为图像处理的主流方法。 首先,对当前基于深度学习的目标检测算法的发展现状进行了全面总结,对算法分类进行了详细的定义,并指出了不同类型算法的优缺点及适用场景;然后,分析了无人艇水面目标检测技术的研究现状,指出了各类深度学习工作的贡献、优势和局限性;最后,总结了面向水面无人艇的深度学习目标检测算法中亟需解决的关键科学问题,并对可行的方案以及该应用研究领域的未来发展做了进一步的展望。 相似文献
4.
舰船目标检测是进行海上目标监管,保障海上权益的重要手段。本文在SSD（single shot multibox detector）算法的基础上,利用残差网络（ResNet,residual network）作为骨干网络构建SSD模型,将改进后的SSD算法应用于卫星视频舰船目标检测,该算法采用残差连接替换原本的级联方式,加强前后特征之间的联系,减少模型参数,在保证检测精度的同时提高检测速度。在本文构建的数据集上进行实验,结果表明,改进后的SSD算法在测试集上的均值平均精度（mAP,mean average precision）为93%,比原始SSD算法提高了5.31%,充分证明了该方法对于提升SSD模型性能的有效性。使用“吉林一号”视频03星图像进行验证,结果表明,该算法能够较准确地检测到舰船目标,可为海上复杂环境条件下的舰船实时检测提供参考。 相似文献
5.
在解析YOLOv4算法基础上,针对应用YOLOv4算法检测遥感影像桥梁目标任务中出现的训练耗时严重及精度较低缺陷,从算法训练过程和结构模块两方面进行优化:使用多尺度训练以及fp_16训练策略降低算法训练成本,并引入SE模块和CBAM模块两种注意力机制提升算法检测精度。消融实验结果表明:优化训练策略能够有效降低算法训练成本,同时提高目标检测精度;相比较CBAM模块,SE模块对算法训练成本增加较小却能收获显著的检测精度提升,优化训练策略并嵌入SE模块的算法,使高分桥梁数据集和DOTA桥梁数据集的平均准确率分别提升1.4%和3%。该优化算法兼具效率和精度优势,为桥梁目标检测难题提供有效解决方法。 相似文献
6.
《海洋技术学报》2021,40(4)
本文围绕海上无人值守平台周界安防技术需求,以800 m范围内的快艇、渔船、客轮和商船为航行目标构建运动目标跟踪监控系统,并集成开发了基于水下被动声学检测和水上云台控制的光学视频系统为一体的声光一体化监控系统,设计了一套基于深度学习的目标检测算法,实现了对水面航行目标的跟踪检测与分类识别。本文在目前基于单一方法进行水面目标跟踪的基础上进行了突破,系统综合了水听器远距离目标监控跟踪和近距离的水面视频监控目标识别,当两者同时确认目标,由声警器发出警报驱离可疑目标,系统将水下声学监控和水面视频监控有效结合,极大地降低了平台的误报概率,同时实验测试结果表明该系统可有效实现对4类水面航行目标的跟踪检测和特征提取,且改进后的算法可有效提升目标检测效果与识别精度,具有较好的鲁棒性和有效性。 相似文献
7.
随着海上交通运输业业务需求的不断增加,传统的目标检测方法已无法满足实际需求。由于卫星遥感技术的快速发展,基于合成孔径雷达（Synthetic Aperture Radar,SAR）图像舰船目标自动识别具有显著的应用潜力。近年来,深度学习技术在目标检测领域逐渐显现出优势,特别是YOLO (You Only Look Once)模型以其较高的精度和计算效率,为SAR舰船目标的识别提供了一种新的方法。为对比不同的YOLO模型在舰船目标识别领域的性能及其相比于两阶段深度学习算法的优势,本文首先对YOLO系列的结构进行了归纳总结;其次对当前广泛使用的数据集进行了对比分析,并基于SAR图像数据集（SAR Ship Detection Dataset,SSDD）的样本进行重新标注构建出本文的数据集;然后将YOLO系列模型与两阶段目标检测方法——更快速的区域卷积神经网络（Faster Region-based Convolutional Neural Network,Faster R-CNN）在SAR舰船目标检测的精度和速度两方面进行对比实验;最后在YOLOv5模型的基础上对主干网络（Backbone... 相似文献
8.
通过研究、分析现有基于遥感影像的舰船检测算法,提出了基于Itti视觉显著度模型改进的高分辨率遥感影像海面舰船检测方法,该方法利用海面舰船相对于海面背景信息视觉关注高的特点,参考视觉显著度模型计算原理,对高分辨率遥感影像中的颜色、亮度、方向、纹理等特征进行有效提取,然后利用归一化方法将不同特征融合,形成有利于舰船目标提取得视觉显著度图,最后对生成的视觉显著度图进行阈值分割和精细化处理获得最终的舰船检测结果。与传统舰船检测算法相比,本文算法能够有效检测复杂海面背景下的舰船目标,减少了单一特征变化对检测精度的影响,提高了检测准确率,具有较好的抗噪性和较强的鲁棒性。 相似文献
9.
10.
海雾气象条件下船只高精度检测识别面临较大困难，传统的目标识别、定位方法效果差强人意。作者围绕海雾气象条件下不同类型船只的实时检测问题，提出一种基于YOLOv3深度学习的实时海上船只检测新思路。首先构建清晰图片和模糊图片（海雾、雨）的判别方法，实现图片清晰度分类处理；其次为提高海雾气象条件下海上船只的实时检测精度，消除海雾遮挡对目标识别的影响，运用暗通道先验去雾方法对含有海雾的图像实行去雾；最后基于YOLOv3深度学习算法对精细处理后的图像进行船只实时检测。实验结果表明该方法能够在海雾气象条件下高效、准确地检测到船只，对海上复杂环境条件下的船只实时检测研究具有一定的理论指导意义。 相似文献
11.
渤海是我国重要的经济区,海冰灾害严重威胁着人类生产活动。合成孔径雷达具有全天候成像能力,研究渤海区域的SAR图像海冰检测具有重要意义。传统海冰检测方法受限于特征提取方法和建模方式,检测精度有待提升。深度学习具有极强的特征自学习能力,适用于图像检测问题。本文基于深度学习框架U-Net,以Sentinel-1双极化（VV和VH）合成孔径雷达图像为输入信息,设计混合损失函数优化传统U-Net模型,形成了基于混合损失U-Net的渤海海冰检测模型。将本文模型与传统海冰检测方法[脉冲耦合神经网络（PCNN）、马尔科夫随机场（MRF）和分水岭算法]和基于深度卷积神经网络（CNN）的深度学习方法进行了对比。实验结果表明:本文基于混合损失U-Net的海冰检测模型在重叠度、F1分数、精确度和召回率4项度量指标上分别达到了97.567%、98.769%、98.767%和98.771%,检测效果明显优于对比方法;双极化信息输入的检测结果比VV单极化输入的检测结果在F1分数、精确度、召回率和重叠度上分别提高了0.375%、0.111%、0.639%和0.740%;混合损失函数的检测结果比非混合损失函数的检测结果在F1分数、精确度、召回率和重叠度上分别提高了1.129%、0.947%、1.794%和2.231%;模型能对冰水沿线、冰间水道、冰间隙等细节进行有效检测;可应用于渤海区域整幅SAR图像的海冰检测,为海冰监测、海冰变化分析、海冰预报提供技术支撑。 相似文献
12.
Accurate detection of an oil spill is of great significance for rapid response to oil spill accidents. Multispectral images have the advantages of high spatial resolution, short revisit period, and wide imaging width, which is suitable for large-scale oil spill monitoring. However, in wide remote sensing images, the number of oil spill samples is generally far less than that of seawater samples. Moreover, the sea surface state tends to be heterogeneous over a large area, which makes the identification of oil spills more difficult because of various sea conditions and sunglint. To address this problem, we used the F-Score as a measure of the distance between forecast value and true value, proposed the Class-Balanced F loss function (CBF loss function) that comprehensively considers the precision and recall, and rebalances the loss according to the actual sample numbers of various classes. Using the CBF loss function, we constructed convolution neural networks (CBF-CNN) for oil spill detection. Based on the image acquired by the Coastal Zone Imager (CZI) of the Haiyang-1C (HY-1C) satellite in the Andaman Sea (study area 1), we carried out parameter adjustment experiments. In contrast to experiments of different loss functions, the F1-Score of the detection result of oil emulsions is 0.87, which is 0.03–0.07 higher than cross-entropy, hinge, and focal loss functions, and the F1-Score of the detection result of oil slicks is 0.94, which is 0.01–0.09 higher than those three loss functions. In comparison with the experiment of different methods, the F1-Score of CBF-CNN for the detection result of oil emulsions is 0.05–0.12 higher than that of the deep neural networks, supports vector machine and random forests models, and the F1-Score of the detection result of oil slicks is 0.15–0.22 higher than that of the three methods. To verify the applicability of the CBF-CNN model in different observation scenes, we used the image obtained by HY-1C CZI in the Karimata Strait to carry out experiments, which include two studies areas (study area 2 and study area 3). The experimental results show that the F1-Score of CBF-CNN for the detection result of oil emulsions is 0.88, which is 0.16–0.24 higher than that of other methods, and the F1-Score of the detection result of oil slicks is 0.96–0.97, which is 0.06–0.23 higher than that of other methods. Based on all the above experiments, we come to the conclusions that the CBF loss function can restrain the influence of oil spill and seawater sample imbalance on oil spill detection of CNN model thus improving the detection accuracy of oil spills, and our CBF-CNN model is suitable for the detection of oil spills in an area with weak sunglint and can be applied to different scenarios of CZI images. 相似文献
13.
14.
近岸潮位观测是海洋工程应用、海岸防灾减灾、海岸带管理以及海洋有关科研工作中最基础的工作之一。文章基于视频图像深度学习的方法,使用YOLOv5目标检测算法从安装在近岸的固定摄像机拍摄的视频帧中提取潮汐水位特征进行潮位分析。研究采用厦门高崎码头的分辨率为1920×1080的高清摄像头2023年2月的影像数据作为训练集和验证集,2023年3月的影像数据作为测试集,利用岸边验潮井逐时潮位数据进行标注,采用YOLOv5目标检测算法来训练。计算结果显示,通过视频观测潮位在训练集和测试集上的误差分别为3.9 cm和5.3 cm。视频中1个像素点代表3.8 cm,因此潮位观测的平均误差为像素级。研究表明在近岸通过高清摄像头基于图像深度学习进行潮位观测的方法是可行的,观测精度取决于图像目标物的分辨率。 相似文献
15.
为解决侧扫声纳(SSS)图像沉船检测中样本不足、代表性弱等带来的检测精度低的问题,提出了一种联合YOLOv4和迁移学习的SSS图像沉船检测方法。首先,基于SSS成像机理实现了SSS沉船图像样本扩增,解决样本少而无法开展沉船检测模型构建的难题;然后,利用迁移学习,将公共数据集上学习到的权重和沉船通用性特征引入YOLOv4网络,构建高性能沉船检测模型。试验表明,构建的沉船检测模型取得了85.5%的类平均精度(mAP),将传统方法的检测精度提升了7.7%,在少样本情况下实现了沉船的高精度检测。 相似文献
16.
红树林是最典型的滨海生态系统之一，红树林种间类型的精确识别对于红树林生态系统保护、修复及碳储量评估具有重要意义。遥感是开展红树林种间类型识别的有效手段，但传统的遥感红树林分类方法多是基于像元开展的，分类结果“椒盐”现象严重且精度还有很大提升空间。因此，本研究以东寨港红树林保护区为例，基于Sentinel-2 MSI影像，在传统遥感分类方法的基础上引入图像分割技术，分别构建了面向对象的支持向量机（Support Vector Machine,SVM）和随机森林（Random Forest,RF）分类法，并在此基础上对各模型的分类精度和适用性进行了分析。模型对比结果表明：（1）图像分割技术的引入能有效改善分类结果的“椒盐”现象，提升红树林种间类型的识别精度，基于像元使用SVM和RF分类算法总体分类精度分别可达78.82%(Kappa=0.75)和82.94%(Kappa=0.82)，面向对象的SVM和RF模型分类总体精度分别可达81.5%(Kappa=0.78)和92.67%(Kappa=0.88)，相较于以像元为分类对象的模型而言，后者精度分别提高了2.68%和7.43%;(2)从4个模... 相似文献
17.
应用极化合成孔径雷达检测海上溢油研究进展 总被引：4，自引：2，他引：2
海上溢油给海洋生态环境带来严重的影响,快速准确地探测溢油对于防灾减灾具有重要的意义。利用卫星遥感探测溢油已成为目前主要的检测手段,大多采用合成孔径雷达(SAR)数据,运用图像处理的方法,开展了多种溢油提取算法的研究,取得了较好的结果,但由于海洋的类溢油现象存在,造成提取信息的精度达不到要求。近年来,国内外运用极化SAR数据开展溢油信息提取研究,从极化分解与相位差等角度对溢油特性分析,能有效地区分一些类溢油现象,得到了较理想的结果。分析了应用SAR数据开展溢油信息提取的研究状况,总结了溢油极化SAR探测的研究,指出了目前研究中存在的不足,并提出了今后溢油极化SAR遥感监测的方向。 相似文献
18.
溢油种类精准识别对快速有效地治理污染具有重要的意义,高光谱遥感在海面溢油油种识别中至关重要。为探讨海洋典型溢油油种识别的高光谱特征波段范围,通过设计室外模拟溢油实验,在获取原油、燃料油、柴油、汽油和棕榈油等5种油种的实测高光谱数据基础上,运用因子分析和光谱标准偏差分析法遴选溢油油种的光谱特征波段,并利用支持向量机模型开展基于光谱特征波段的油种识别精度评价。结果表明,基于光谱标准偏差分析和因子分析获得的特征波段的油种识别精度分别是83.33%和90.74%,与基于全波段的识别精度相比,整体精度分别提高了3.7%和11.11%。选取的特征波段(360～540 nm, 560～600 nm, 610～630 nm, 640～660 nm)可作为5种油种相互区分的最佳高光谱波段。 相似文献