深度学习遥感影像油罐检测算法精度对比分析

油罐目标的检测对于海洋战场环境保障具有重要的意义和作用。选择当前较为经典的几种深度学习目标检测算法,包括FRCNN、RFCN、SSD、YOLOv3、RetinaNet,利用已有的公开数据,对各算法进行油罐检测的精度进行深入对比分析和实验验证。实验结果表明,上述方法中鲁棒性和平均精度最好的是RFCN和RetinaNet;影像中目标的尺寸是影响各算法精度的重要因素。最后对基于深度学习的遥感影像油罐目标检测算法提出了改进的建议。相关研究对于利用深度学习算法完成油罐目标的实际检测应用具有重要的指导意义和参考价值。     

卫星视频舰船目标检测方法

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。     

基于YOLO模型的SAR舰船目标检测方法研究

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...     

基于深度学习的循环水养殖鳗鲡(Anguilla)计数研究

鳗鲡(Anguilla)作为我国优质水产养殖种类,精准掌握其数量对高效养殖有重要意义。为实现对循环水养殖鳗鲡的准确计数,提出了一种基于深度学习的改进Faster RCNN模型。针对检测目标即鳗鲡头部尺寸小的问题,选择在特征提取网络ResNet50中加入FPN结构来作为模型的骨干网络,以提取并融合多尺度的特征;针对原模型锚框都是基于人工经验设置的,并不适用于鳗鲡数据集的问题,使用k-means聚类算法对训练集中标注的鳗鲡头部检测框进行聚类分析,获得了适合鳗鲡数据集的15种不同尺度的锚框;针对图像中存在鳗鲡头部重叠的问题,选择使用Soft-NMS算法替代原NMS算法对RPN部分生成的候选框进行筛选,以减少模型对鳗鲡重叠部分的漏检情况。试验结果表明:改进后的Faster RCNN模型对鳗鲡头部的检测精度(mAP^0.5)高达96.5%,较原Faster RCNN模型(Backbone为ResNet50)显著提升了14%,与SSD300和YOLOV3模型相比分别显著提升了24.9%和15%;在鳗鲡计数上,利用改进后的Faster RCNN模型检测结果进行计数,计数准确率达到90%以上,提升了模型对鳗鲡的检测识别能力。     

基于深度学习的视频观测潮位技术研究——以厦门高崎码头为例

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。     

结合训练加速及注意力机制的桥梁检测算法

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。     

一种增强型YOLOv3的合成孔径雷达(SAR)舰船检测方法

近年来,海战场成为现代战争的主要作战区域之一,舰船目标逐渐成为海上重点监测对象,能否快速准确地识别海战场舰船目标的战术意图,给指挥员的决策提供必要的支持,这关系到一场海上战役的成败.随着合成孔径雷达(synthetic aperture radar,SAR)成像技术的不断发展,大量SAR图像可用于舰船目标检测与识别.利用SAR图像进行舰船目标检测与识别,已经成为重要的海洋应用之一.针对传统SAR图像舰船检测方法准确率较低的问题,本文在YOLOv3的基础上,结合感受野(receptive field block,RFB)模块,提出一种增强型的SAR舰船检测方法.该方法在最近公开的SAR图像舰船检测数据集上平均准确率值达到了91.50％,与原YOLOv3相比提高了0.92％.实验结果充分表明本文提出的算法在SAR舰船的检测中具有较好的检测效果.     

基于YOLOv3深度学习的海雾气象条件下海上船只实时检测

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。     

基于多波束前视声呐的水下静态目标的探测识别技术

基于声呐的水下目标检测是具有重要意义的研究课题.由于声呐图像质量差、对比度低、边缘模糊等,基于特征提取的识别方法在精度和速度上无法满足现有要求.鉴于此,将基于卷积神经网络的YOLOv3引入声呐图像的目标识别任务中,首先通过动态亮度分配和中值滤波对图像进行预处理建立数据集,然后对YOLOv3模型进行训练和测试,最后根据静...     

基于深度学习的声呐图像目标检测系统

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。     

联合YOLOv4和迁移学习的侧扫声纳图像沉船检测

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。     

基于BiLSTM模型的远洋渔船类型识别研究

船舶自动识别系统(Automatic identification system,AIS)为渔业资源和渔船捕捞活动管理和研究提供了可能.明确船舶作业类型是开展AIS信息渔业研究应用前提,为渔业研究和管理提供渔船捕捞类型基础数据支撑,保障渔船作业安全和监督非法捕捞渔业活动,作者通过搜集整理3000多艘已知类型船舶信息,从...     

基于改进Faster R-CNN模型的SAR图像溢油检测方法

SAR（synthetic aperture radar）图像溢油暗斑准确识别对海上溢油应急工作具有重要的意义。为减少SAR图像特征提取、特征选择过程中人为因素对溢油检测精度的影响,本文将Faster R-CNN卷积神经网络模型引入SAR图像溢油检测并进行了改进。针对溢油暗斑形状多样及SAR图像背景复杂的特点,选用结构一致且实用性强的VGG16卷积网络获取图像特征,并使用软化非极大值抑制算法（Soft-NMS）进行优化。同时基于相同的数据集,提取常用的SAR图像几何特征、灰度特征和纹理特征,构建反向传播（backpropagation,BP）人工神经网络溢油检测方法并与Faster R-CNN方法进行对比。实验结果表明,基于改进Faster-RCNN模型的溢油检测方法溢油检测率达到0.78,且溢油检测虚警率低于0.25,相比BP人工神经网络溢油检测方法样本识别率、溢油检测率分别提高了4%和5%,溢油虚警率降低了5%。     

融合scSE模块的改进Mask R-CNN海洋锋检测方法

海洋锋是重要的中尺度海洋现象,具有数据量小、目标小、弱边缘等特性。针对实际检测任务中弱边缘、小目标海洋锋的检测精度低、错检及漏检率高等问题,融合scSE (spatial and channel Squeeze&Excitation)空间注意力模块构建了一种改进的Mask R-CNN海洋锋检测模型。该方法首先对Mask R-CNN骨干网络结构进行改进,采用scSE模块引导的ResNet-50网络作为特征提取网络,通过加权策略对图像通道和空间位置进行特征突出,提升网络对重要特征的提取能力;其次,针对海洋锋目标边缘定位不准确的问题,引入IoU boundary loss构建新的Mask损失函数,提高边界检测精度。最后,为验证方法的有效性,从训练数据和实验模型上,分别设计多组对比实验。实验结果表明,相比传统Mask R-CNN、YOLOv3神经网络及现有Mask R-CNN改进网络,本文方法对SST梯度影像数据集上的强、弱海洋锋检测效果最好,定位准确率（IoU,Intersection-over-union））及检测精度（mAP,Mean Average Precision）均达0....