基于深度学习的水面船舶检测与标识识别算法研究.pdf

基于深度学习的水面船舶检测与标识识别算法研究

摘要

水面无人艇（UnmannedSurfaceVehicle,USV）技术对提高我国海域的控制和开发

能力，加快全面建设海洋强国，发展海洋经济具有重要意义。可见光感知是无人艇感知

系统中效率最高、应用场景最广泛的环境感知手段，可以应用于水面目标检测、标识识

别等任务，为后续控制、规划等任务的开展提供了有力保障。但水面环境的特殊性导致

传统图像去雾算法无法达到很好的效果，船舶目标的检测和有关标识的识别算法在船体

相互遮挡、逆光现象严重等复杂场景下鲁棒性较差。因此，本文针对可见光设备感知下

的水面图像去雾、船舶检测和标识识别算法开展研究工作。本文的主要研究内容如下：

第一，针对直接对海上图像使用暗通道先验去雾算法会导致去雾结果出现光晕、伪

影等现象的问题，本文提出基于暗通道先验的改进算法，通过对图像近景、远景区域的

暗通道进行划分，采用不同方式对两部分暗通道进行融合后使用引导滤波算法细化透射

率，并根据图像中光亮区域占比对大气光值进行加权计算，最后将优化后的透射率和大

气光值代入大气散射模型完成处理，提升了算法的去雾效果。

第二，针对YOLOv5算法在复杂场景下进行船舶检测时误检、漏检率较高的问题，

自制海上多分类检测数据集，并添加不同遮挡尺度、不同环境条件的样本；提出稀疏化

自注意力模块，替换模型中部分C3模块，在降低错检、漏检的同时减少计算量；对于

各类别样本分布不平衡问题，改进损失函数，引入平衡因子动态调整各类别样本累积的

梯度，并根据置信度对错分类样本施加不同程度的惩罚，提高了少样本类别的检测分类

准确率。

第三，针对因海上光照、腐蚀等导致船舶标识形态失真，识别算法效果下降的问题，

提出一种使用迁移学习训练的级联式两阶段船舶标识识别算法。检测阶段基于EAST算

法引入自适应空洞卷积和优化的CIOU损失函数，提高算法对标识框的召回能力；识别

阶段使用图像检索的策略，将特征编码后的标识图像与库内标准图像进行相似度计算，

提高了算法对带噪声标识的识别精度。

：

关键词水面无人艇；船舶检测；自注意力；标识识别

基于深度学习的水面船舶检测与标识识别算法研究

Abstract

UnmannedSurfaceVehicle(USV)technologyisofgreatsignificanceforChinatoimprove

itsabilitytocontrolanddeveloptheocean,acceleratethecomprehensiveconstructionofa

strongoceanstate,anddeveloptheoceaneconomy.Visiblelightperceptionisthemostefficient

andwidelyusedenvironmentalperceptionmeansintheunmannedboatperceptionsystem,

whichcanbeappliedtosurfacetargetdetection,identificationandothertasks,providinga

strongguaranteeforsubsequentcontrol,planningandothertasks.However,theparticularityof

thewatersurfaceenvironmentmakestraditionalimagedehazingalgorithmsunabletoachieve

goodresults,andthedetectionofshiptargetsandtherecognitionalgorithmofrelevantlogos

havepoorrobustnessincomplexsceneswheretheshiphul