改进YOLOv3的船舶检测算法研究.docxVIP

? ? 改进YOLOv3的船舶检测算法研究 ? ? 陈德海，邵 恒，张军令 （江西理工大学 电气工程与自动化学院，江西 赣州 341000） 0 引 言 内河作为我国航运运输体系之一，对提升流域经济体系发展、优化产业结构、促进服务开放等方面意义重大。伴随着内河航运的发展，船舶数量和货物承载量不断加大，内河区域发生船舶碰撞的风险越来越大，严重影响船舶的航行安全以及经济效益。所以在内河航道以及港口区域，对各种类型的船舶进行精确检测具有重要意义，是船舶航行和躲避碰撞的判断依据，是实现船舶智能航行的前提[1]。 在卷积神经网络运用到船舶目标检测之前，传统的船舶目标检测算法主要包括区域选择、组合特征提取、背景纹理建模等[2-5]，但是此类算法的泛化能力差、计算量大、耗时多，不能满足船舶的智能航行。近些年，由于计算机视觉方面迅猛发展，深度学习算法在目标检测和图像处理方面取得了良好的进展。王新立等设计了一种基于多策略的船舶目标检测算法，提高了船舶的检测率[6]。袁明新等设计了一种基于共享卷积特征的Faster RCNN算法，较好地实现了水面船舶的检测[7]。王言鹏对SSD算法的主体框架和先验框进行优化，准确率和召回率提升明显[8]。在深度学习中，YOLO算法的提出大大地增加了目标检测的准确度和实时性，Yunong等提出了一种改进的YOLOv3算法并将其用于果园苹果生长的实时检测，达到了良