一种基于DAL模块优化的船舶类别检测方法和系统技术方案

本发明专利技术提供了一种基于DAL模块优化的船舶类别检测方法和系统，包括如下步骤：步骤一、基于神经网络结构的深度学习框架，将DAL模块嵌入在网络模型中；步骤二、利用整张图片数据作为网络的输入；步骤三、模型的学习：通过使用自身标注的已知的船舶图片数据集对模型参数进行训练调整以及指标评估，最终得到完善的模型参数；步骤四、在输出层输出待检测目标的边界框的位置及其所属的类别，从而进行对其他未知船舶图片的目标识别与检测。本发明专利技术针对深度神经网络检测模型提出了新的注意力机制方法，结合海上军用船舶数据，训练深度神经网络检测模型，提升模型的检测性能。提升模型的检测性能。提升模型的检测性能。

【技术实现步骤摘要】
一种基于DAL模块优化的船舶类别检测方法和系统


[0001]本专利技术涉及船舶检测
，特别涉及一种基于DAL模块优化的船舶类别检测方法和系统。

技术介绍

[0002]随着大数据时代的来临，能够拍摄、获取到的图像数据呈井喷之势。在海上领域中，如何能快速、准确的检测出海洋背景中的船舶并识别其种类，也成为了专业方向上的重点。
[0003]基于深度神经网络的目标检测算法作为计算机视觉中的基本视觉识别问题，在过去的几十年中得到了广泛地研究。目标检测旨在给定图像中找到具有准确定位的特定对象，并为每个对象分配一个对应的标签。深度卷积神经网络是通过将图像进行处理后，通过己身搭建的参数模型进行参数训练，提取目标的高层特征，提高特征的表达能力，还能够将特征提取、特征选择和特征分类融合在同一个模型中，通过端到端的训练，从整体上进行功能优化，增强特征的可分性；这样得出符合训练样本的模型，能够具有其他图片通过网络模型能快速得出相应目标位置、类别属性的能力。
[0004]将深度神经网络方法用于海上目标的船舶检测，提供了一种全新的非人工处理图片数据的方式，极大的提高了图像检测识别的效率。经典的基于深度神经网络的目标检测算法模型在训练中提取目标特征时只能获取到较小的感受野，这样能够得到的目标的特征情况有限；并且在对于相似特征下的船舶识别，不能得出较为准确的结论。

技术实现思路

[0005]本专利技术的目的是提供一种基于DAL模块优化的船舶类别检测方法和系统，克服现有技术中的：1、海洋背下的船舶类别繁多，使用深度神经网络模型对军用船舶、民用船舶进行识别较为复杂，如何优化检测识别方式，简化不同船舶类型检测识别的难度；2、对已有的深度神经模型进行网络结构上的增加，往往会增加较多的参数量，在网络训练、预测时会显著提高算力成本，增加数据管理难度；如何在优化模型过程中，以不降低识别精度为前提，降低检测识别的训练、预测的耗时；3、针对外表特征较为相似的海上船舶(现代护卫舰、驱逐舰等)，在具有大量图片需甄别的情况下检测识别正确的难度较大，需要提高外观差距较小的船舶类别的检测识别精度等问题。本专利技术的方法能够通过算法结构的调整获取到更大的感受野，对目标的总体特征有更准确的提取；同时引用注意力机制，使得模型对相似特征数据有更加准确的判断，检测船舶类别的精度也因此提高。
[0006]本专利技术由下述技术方案实现：
[0007]一种基于DAL模块优化的船舶类别检测方法，包括如下步骤：
[0008]步骤一、基于YOLOv5神经网络结构的深度学习框架，将DAL模块嵌入在网络模型中；
[0009]步骤二、采用end
‑
to
‑
end的形式，利用整张图片数据作为网络的输入；
[0010]步骤三、模型的学习：通过使用自身标注的已知的船舶图片数据集对模型参数进行训练调整以及指标评估，最终得到完善的模型参数；
[0011]步骤四、在输出层输出待检测目标的边界框的位置及其所属的类别，从而进行对其他未知船舶图片的目标识别与检测。
[0012]进一步的，使用空洞卷积方法，假设空洞卷积的卷积核大小为k，空洞率为r，其等效卷积核的卷积核大小为k'，则有公式：
[0013]k'＝k+(k
‑
1)
×
(r
‑
1)
[0014]当前层感受野计算公式如下，其中RF
i+1
表示当前层感受野，RF
i
表示上一层的感受野，k'表示等效卷积核的大小：
[0015]RF
i+1
＝RF
i
+(k'
‑
1)
×
S
i
[0016]S
i
表示之前所有层的步长的乘积(不包括本层)，计算方式为：
[0017][0018]影响输出图尺寸的因素有特征图的尺寸(H,W)，卷积核的大小(K
×
K)，若输出图的大小为(OH,OW)，填充大小的值为P，步幅Strides设置为S，那么(OH,OW)的大小为：
[0019][0020][0021]进一步的，将输入信息进行通道降维压缩，再进行计算来获得并生成新的通道权值，然后将输出通道进行张量放大，得到与原输入一样的大小与通道数，且拥有了不同通道的权值占比的信息。
[0022]进一步的，注意力机制模块的计算公式为：
[0023]ω＝σ(Wy)
[0024]其中y为经过全局平均池化后的输出权重，σ(
·
)为激活函数，W是用来计算通道注意力的矢量矩阵。
[0025]进一步的，注意力机制模块引入一个一维卷积核大小k作为参数，在计算方面有一个一维卷积计算和扩维操作。
[0026]进一步的，注意力机制模块的实现流程为：首先在进行空洞卷积，经过不降低维数的全局平均池化、之后，利用卷积核大小为k的一维卷积来提取通道间邻近元素的跨通道交互信息，其中k值同时表示局部跨信道交互的覆盖率，即表示有多少邻近元素参与了该通道的注意力预测；其次，一维卷积输出的张量通过激活函数σ(
·
)，使其具有注意力预测属性的不同权重占比；再次，将该张量与原空洞卷积通道进行矩阵乘积，最终得到和原输入具有相同尺寸并具有通道注意力预测的输出。
[0027]本专利技术还提供了一种基于DAL模块优化的船舶类别检测系统，包括：
[0028]模型构建单元，用于基于YOLOv5神经网络结构的深度学习框架，将DAL模块嵌入在网络模型中；
[0029]输入单元，用于采用end
‑
to
‑
end的形式，利用整张图片数据作为网络的输入；
[0030]模型学习单元，通过使用自身标注的已知的船舶图片数据集对模型参数进行训练
调整以及指标评估，最终得到完善的模型参数；
[0031]输出单元，在输出层输出待检测目标的边界框的位置及其所属的类别，从而进行对其他未知船舶图片的目标识别与检测。
[0032]本专利技术还提供一种电子设备，所述电子设备包括：
[0033]至少一个处理器；以及，
[0034]与所述至少一个处理器通信连接的存储器；其中，
[0035]所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述权利要求1至6中任一项所述的方法。
[0036]本专利技术还提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述权利要求1至6中任一项所述的方法。
[0037]本专利技术的技术方案能实现如下有益的技术效果：
[0038]1.经典的深度神经网络模型在进行参数训练时通过卷积、池化过程能获取的感受野是有限的，这样导致在训练过程中所提取的特征覆盖情况也是有限的，在目标特征较大或者较多时，目标检测识别的精度就会下降。本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于DAL模块优化的船舶类别检测方法，其特征在于，包括如下步骤：步骤一、基于神经网络结构的深度学习框架，将DAL模块嵌入在网络模型中；步骤二、利用整张图片数据作为网络的输入；步骤三、模型的学习：通过使用自身标注的已知的船舶图片数据集对模型参数进行训练调整以及指标评估，最终得到完善的模型参数；步骤四、在输出层输出待检测目标的边界框的位置及其所属的类别，从而进行对其他未知船舶图片的目标识别与检测。2.根据权利要求1所述的基于DAL模块优化的船舶类别检测方法，其特征在于，使用空洞卷积方法，假设空洞卷积的卷积核大小为k，空洞率为r，其等效卷积核的卷积核大小为k'，则有公式：k'＝k+(k
‑
1)
×
(r
‑
1)当前层感受野计算公式如下，其中RF
i+1
表示当前层感受野，RF
i
表示上一层的感受野，k'表示等效卷积核的大小：RF
i+1
＝RF
i
+(k'
‑
1)
×
S
i
S
i
表示之前所有层的步长的乘积(不包括本层)，计算方式为：影响输出图尺寸的因素有特征图的尺寸(H,W)，卷积核的大小(K
×
K)，若输出图的大小为(OH,OW)，填充大小的值为P，步幅Strides设置为S，那么(OH,OW)的大小为：为(OH,OW)，填充大小的值为P，步幅Strides设置为S，那么(OH,OW)的大小为：3.根据权利要求1所述的基于DAL模块优化的船舶类别检测方法，其特征在于，将输入信息进行通道降维压缩，再进行计算来获得并生成新的通道权值，然后将输出通道进行张量放大，得到与原输入一样的大小与通道数，且拥有了不同通道的权值占比的信息。4.根据权利要求3所述的基于DAL模块优化的船舶类别检测方法，其特征在于，注意力机制模块的计算公式为：ω＝...

【专利技术属性】
技术研发人员：穆超，黄玉甫，
申请(专利权)人：中科星图防务技术有限公司，
类型：发明
国别省市：