基于改进Cascade_R集港口船舶目标检测算法研究.pdf

基于改进CascadeR-CNN的密集港口船舶目标检测算法研究

摘要

随着各国海运经济的发展，港口货运也随之增多，港口的船舶管理备受关注。

通过船舶目标检测技术，可以监测港口交通状况，掌握船舶类型和数量，预测潜在

的碰撞风险，有助于避免交通事故的发生。针对港口船舶目标密集且存在遮挡的情

况，现有算法对船舶目标检测存在准确率较低和误检的问题。本文通过对港口船舶

数据集进行图像预处理，并对CascadeR-CNN算法进行优化改进设计，加强对模型

的构建，提高了模型的检测准确率，最后完成了港口船舶目标数量检测研究。

首先，建立了港口船舶数据集。针对所建立的数据集进行了图像数据增强，考

虑港口环境复杂存在海雾等天气状况，对船舶数据集进行了去雾预处理。论文设计

采用MSRCR算法来提高图像质量，通过与直方图均衡化、CLAHE、DCP、AOD-

Net等算法进行对比实验，从直观评价和图像质量评价两方面来说明去雾能力，结

果显示了MSRCR算法对该数据集具有较好去雾效果。

其次，设计了基于改进CascadeR-CNN的密集港口船舶目标检测算法。以

CascadeR-CNN为基础算法，通过把残差网络结构块ResNet50替换为Res2Net50，

将特征金字塔网络FPN设计为PAFPN，在此基础上引入PISA损失函数，将改进后

算法与FastR-CNN、FasterR-CNN、SSD等其他算法进行对比实验，结果显示改进

后的算法mAP值提升了3.5%，具有较好的检测效果。改进点的设计加强了边缘特

征的提取，并提升了模型对重叠、遮挡目标的检测能力。然后，为了改进算法的部

署实现，本文编写了基于PyQt5的港口船舶目标检测系统算法软件，并进行了样本

数据图像的检测，结果显示该软件可以完成港口船舶目标检测。

最后，本文采用DeepSORT算法对多船舶目标进行了数量检测研究。给出了

DeepSORT算法的基本原理和计数流程，接着对跟踪数据集进行训练和测试实验，

最后实现了对船舶分类别目标进行数量检测的功能，从而能够更好的预测船舶流量

和服务于港口管理。

关键词：港口船舶；目标检测；预处理；CascadeR-CNN；数量检测

哈尔滨工程大学专业学位硕士学位论文

ABSTRACT

Withthedevelopmentofthemaritimeeconomyofvariouscountries,theportfreight

hasalsoincreased,andtheshipmanagementoftheporthasattractedmuchattention.

Throughshiptargetdetectiontechnology,itispossibletomonitorporttrafficconditions,

graspthetypeandnumberofships,predictpotentialcollisionrisks,andhelpavoidtraffic

accidents.Inviewofthedenseandocclusivetargetofshipsinports,theexistingalgorithms

havetheproblemsoflowaccuracyandfalsedetectionofshiptargetdetection.Inthispaper,

theimagepreprocessingoftheportshipdatasetiscarriedout,andtheCascadeR-CNN

algorithmisoptimizedandimproved,andtheconstructionofthemodelisstrengthened,and

thedetectionaccuracyofthemodelisimproved.Finally,theresearchon