基于深度学习的光学遥感影像舰船检测算法对比分析

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。     

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....     

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。     

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。     

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...     

服务于赤潮高精度快速检测的决策树RX高光谱遥感算法

本文应用辽东湾鲅鱼圈研究区赤潮高光谱遥感数据,针对互信息RX(Reed-Xiaoli)和传统相关系数RX等单源算法赤潮检测结果不稳定,可能出现漏检和误检的问题,提出基于互信息和相关系数的决策树RX赤潮高精度检测模型,结果表明:与单源算法相比,决策树RX算法赤潮高光谱遥感检测得到的ROC曲线较稳定;与经典的非监督和监督遥感分类算法相比,决策树RX算法的错分情况明显减少,检测精度较高,总体精度达96%以上;子空间划分得到的特征波段组合,能够在不降低赤潮检测精度的前提下,检测速度提高3倍;耀斑抑制后数据1的特征波段组合赤潮检测总体精度提高了1.82%。     

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。     

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.     

基于改进YOLOv5网络的侧扫声纳图像目标检测方法

为构建适合不同测量平台搭载以及满足不同任务需求的高效侧扫声纳图像目标检测网络,将高性能轻量级目标识别网络PP-LCNet引入YOLOv5目标检测框架,并通过调整网络卷积层的通道数,构建了8种不同大小的高性能水下目标检测网络模型。以水下沉船目标为例进行了目标检测试验,结果表明,当网络主干改进为PP-LCNet-1.5x和PP-LCNet-2.0x时,检测精度(mAP)可分别达0.845和0.849,较原始YOLOv5s分别提升了0.024和0.028,同时参数量更少,能够满足普通硬件上的实时目标检测需求。     

基于遗传算法的缓波型立管多目标集成优化

缓波型立管由于设计参数较多且优化目标之间相互影响,设计结果具有很大的不确定性。随着代理模型和智能优化算法的发展,针对缓波型立管的优化可以提出更好的解决方案。以提高力学性能和经济效益为优化目标,采用基于Kriging插值模型和NSGA-II算法的多目标优化策略,对考虑顶部浮体影响的深水缓波型立管进行动力响应分析,并开展线型—截面双目标优化集成设计和线型—浮筒三目标优化集成设计。将处于不同几何尺度的设计变量进行集成,旨在各目标存在相互竞争的情况下,与截面、浮筒设计形成有效互动以提高线型设计的总体性能。结果表明,Pareto最优解集可提供多个选择方案,以满足工程实际需要。将所选最优方案与初始设计进行对比,并以疲劳性能和成本估算作为优化的校核指标,取得了理想的优化效果。     

地波雷达目标检测跟踪联合处理粒子滤波方法

针对固定粒子数PF-TBD算法计算量大、复杂环境下地波雷达海上船只目标检测与跟踪性能不佳的问题,本文将粒子滤波方法应用于地波雷达船只目标检测与跟踪中,提出了基于自适应粒子滤波的地波雷达目标检测与跟踪联合处理方法。该方法结合地波雷达回波谱中目标展宽特性,充分利用了地波雷达回波谱中面目标的粒子权重信息来设置粒子自适应采样策略,提高了目标检测和跟踪联合处理的效果。通过地波雷达实测数据的目标跟踪结果及与同步AIS信息的比对分析,结果表明:提出的检测跟踪联合处理方法在对低信噪比、快速机动等复杂环境下的多目标跟踪时,可提高目标整体跟踪性能。     

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。     

PSO-BP网络算法在运动要素解算中的应用

为了改善被测目标运动要素计算精度,提出了采用 PSO-BP 神经网络算法作为运动要素解算的方程。 该算法将粒子群算法作为 BP 神经网络的学习算法,提高 BP 网络的全局收敛性和收敛速度,将观测到的运动目标参数作为 PSO-BP 神经网络的输入,并将运动目标的方位作为主要输出量,将运动目标的方位值与误差期望值进行比较并作为 PSO 的输入修改 BP 网络权值,进而得到高精度 BP 神经网络。 对该算法进行仿真计算,结果表明:基于该算法的运动目标运动要素解算,尤其是运动方位的解算器精度可以达到 0. 128°,提高了运动要素解算的精度和速度。     

基于视觉显著性的高分辨率遥感影像舰船检测

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。     

Active learning for detection of mine-like objects in side-scan sonar imagery

A data-adaptive algorithm is presented for the selection of the basis functions and training data used in classifier design with application to sensing mine-like targets with a side-scan sonar. Automatic detection of mine-like targets using side-scan sonar imagery is complicated by the variability of the target, clutter, and background signatures. Specifically, the strong dependence of the data on environmental conditions vitiates the assumption that one may perform a priori algorithm training using separate side-scan sonar data collected previously. In this paper, a novel active-learning algorithm is developed based on kernel classifiers with the goal of enhancing detection/classification of mines without requiring an a priori training set. It is assumed that divers and/or unmanned underwater vehicles (UUVs) may be used to determine the binary labels (target/clutter) of a small number of signatures from a given side-scan collection. These sets of signatures and associated labels are then used to train a kernel-based algorithm with which the remaining side-scan signatures are classified. Information-theoretic concepts are used to adaptively construct the form of the kernel classifier and to determine which signatures and associated labels would be most informative in the context of algorithm training. Using measured side-looking sonar data, the authors demonstrate that the number of signatures for which labels are required (via diver/UUV) is often small relative to the total number of potential targets in a given image. This procedure designs the detection/classification algorithm on the observed data itself without requiring a priori training data and also allows adaptation as environmental conditions change.     

LSTM神经网络在地震资料初至拾取中的应用

本文引入RNN的升级算法LSTM神经网络技术,建立了一套海量数据、高精度的自动拾取地震资料初至流程。相比于其他神经网络方法,LSTM神经网络能够提取数据的时序特征,加强学习初至前噪音时序特征,从而提高初至拾取的精度,为地震资料的初至拾取提供一套新的思路。首先设计样本制作过程并建立、训练模型,通过模拟资料验证方法的有效性,应用于胜利油田浅海与西部山地地震勘探资料的初至拾取,取得理想效果,证明LSTM神经网络初至拾取具有较高的精度与适用性。