鐘 睿，楊 立，杜永成

深度遷移學(xué)習預(yù)訓(xùn)練對紅外尾流成像識別的影響

鐘 睿，楊 立，杜永成

（海軍工程大學(xué) 動力工程學(xué)院，湖北 武漢 430033）

隨著水下航行器噪聲水平的不斷降低，水下航行器形成的尾流紅外成像特征就成為其主要可探測的特征源之一，利用水下航行器尾流的水面紅外特征來探測水下航行器的蹤跡逐漸發(fā)展成為一種新的探測方式。由于人工判別尾流特征的效率低，準確性不高，采用人工智能深度學(xué)習的方式能夠得到較大的改善。本文以水下航行器尾流紅外特征識別為研究核心，通過圖像分類制作了混合類的樣本集，利用遷移學(xué)習比較不同預(yù)訓(xùn)練網(wǎng)的對尾流的訓(xùn)練效果，討論預(yù)訓(xùn)練網(wǎng)內(nèi)部參數(shù)對尾流訓(xùn)練效果的影響，結(jié)合Faster-RCNN算法，最終測試對尾流的識別精度，在45個2類尾流的小樣本集下，預(yù)訓(xùn)練之后的網(wǎng)絡(luò)在識別準確度上增加了21.43%，誤檢率下降了2.14%，帶有紅外特征的圖像在定位精準率上比可見光圖像高18.18%。該預(yù)訓(xùn)練測試對未來研究尾流探測結(jié)合卷積神經(jīng)網(wǎng)絡(luò)的識別有一定的應(yīng)用潛力。

紅外特征；尾流；深度學(xué)習；遷移學(xué)習；faster-RCNN

0 引言

水下航行器航行形成的尾流特征明顯，利用水下航行器尾流的水面紅外特征來探測水下航行器的蹤跡逐漸發(fā)展成為一種新的探測方式。由于水下航行器航行形成的尾流特征復(fù)雜，人工識別工作量大，識別準確率較低。采用深度學(xué)習的人工神經(jīng)網(wǎng)絡(luò)識別水下航行器尾流紅外圖像具有明顯的優(yōu)勢。

人工神經(jīng)網(wǎng)絡(luò)[1]的起源可以追溯到20世紀40年代，在此期間經(jīng)歷了淺度學(xué)習和深度學(xué)習兩個階段。從學(xué)術(shù)角度來看，以1956年達特茅斯會議作為人工智能學(xué)科公認的起點，誕生了多個思想學(xué)派。但20世紀80年代以前，人工神經(jīng)網(wǎng)絡(luò)有很大的局限性，只能計算一些有限樣本，且對目標進行分類的能力也很薄弱。在1986年之后，Rumelhart和McClelland[2]將反向傳遞神經(jīng)網(wǎng)絡(luò)算法運用于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，解決復(fù)雜目標函數(shù)的求導(dǎo)問題。目前，人工神經(jīng)網(wǎng)絡(luò)作為機器學(xué)習的重要分支，在領(lǐng)域內(nèi)有不可或缺的作用。

作為深度網(wǎng)絡(luò)的一種，卷積神經(jīng)網(wǎng)絡(luò)通過多層特征提取層[3]的疊加得到比較復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)。Razavain等人[4]構(gòu)建了更加深層的卷積神經(jīng)網(wǎng)絡(luò)（deep convolutional neural network，DCNN），用于對目標進行提取圖像特征，再進行分類與識別，這比傳統(tǒng)方法達成了更好的效果。2015年，David Rumelhart等人[5]合作提出了Faster-RCNN，它由一個區(qū)域生成網(wǎng)絡(luò)（region proposal network，RPN）與Fast-RCNN共同構(gòu)成。通過區(qū)域生成網(wǎng)絡(luò)與Fast RCNN共享特征提取網(wǎng)絡(luò)[6]以及位置精修的策略，進一步提高了目標檢測的速度。

本文根據(jù)尾流紅外特征圖像自身的特點，結(jié)合Faster-RCNN進行定位和識別，在卷積神經(jīng)網(wǎng)絡(luò)理論的基礎(chǔ)上，比較不同的預(yù)訓(xùn)練網(wǎng)的預(yù)訓(xùn)練效果，選取最優(yōu)的預(yù)訓(xùn)練網(wǎng)AlexNet；討論了預(yù)訓(xùn)練網(wǎng)參數(shù)對訓(xùn)練效果的影響；最終比較AlexNet預(yù)訓(xùn)練和無預(yù)訓(xùn)練的網(wǎng)絡(luò)對尾流圖像的識別效果。

1 紅外尾流簡介

紅外是一種電磁波，它位于可見光的外端[7]。肉眼難以觀察出尾流在紅外圖像與可見光圖像中的區(qū)別，但對于神經(jīng)網(wǎng)絡(luò)而言，卻可以抓住圖像中的特點。

水下航行器熱尾流的形成[8]有兩個主要原因：一是水下航行器在溫度梯度海中航行時對海洋溫度場的擾動。二是水下航行器在水下航行時會放出大量的冷卻水，冷卻水在尾流中形成熱尾流。在水下航行器剛剛通過的地方，由于熱尾流，海水的溫度與周圍海水的溫度有很大的不同，因此紅外輻射也不同[9]。通過對尾流紅外成像進行分析，可以識別出不同的水下航行物。圖1(a)是紅外探測儀下的潛望鏡尾流，由于尾流引起的溫度變化，呈現(xiàn)出開爾文形狀，并隨著尾流的延長，溫度特征與海面背景的差異逐漸變小；圖1(b)是可見光下的水面航行器尾流，尾跡較長，從遠處看呈帶有小波浪的平行線，與潛望鏡尾流不同，它產(chǎn)生的尾流波浪較大。這些特征將作為尾流圖像識別的主要提取內(nèi)容，通過Faster-RCNN實現(xiàn)尾流圖像的定位，2種類型的尾流圖像將作為實驗訓(xùn)練的樣本集來識別。

2 深度遷移學(xué)習識別尾流

2.1 Faster-RCNN算法介紹

Faster-RCNN的基本結(jié)構(gòu)[10]是由RPN與Fast-RCNN共享CNN 征提取網(wǎng)絡(luò)構(gòu)成。圖2所示Faster-RCNN對尾流紅外圖像進行識別的過程。先輸入圖片表示為Height×Width×Depth的張量（多維數(shù)組）形式，經(jīng)過預(yù)訓(xùn)練CNN模型的處理，得到卷積特征圖（convolutional feature map），將CNN作為特征提取器，送入下一個部分。然后RPN對提取的卷積特征圖進行處理。

本文在不改變Faster-RCNN的基本結(jié)構(gòu)的前提下，運用Faster-RCNN來實現(xiàn)目標的檢測。在對樣本進行訓(xùn)練之前，人為的將收集到的尾流圖片打入標簽，過程中我們選擇邊界框來對區(qū)域進行選定識別，最終將作為訓(xùn)練樣本集，相比于傳統(tǒng)的整張圖片導(dǎo)入，增強了一定的靈活性和識別精度。

通過Faster-RCNN算法對大量尾流圖片進行訓(xùn)練、識別和定位，訓(xùn)練通常包含了4個過程：RPN的訓(xùn)練、用RPN訓(xùn)練Faster-RCNN、Faster-RCNN利用RPN共享權(quán)重和更新之后的RPN對Faster-RCNN進行再訓(xùn)練。最終得出較為滿意的尾流紅外特征識別定位網(wǎng)絡(luò)。

圖1 不同類型的尾流特征圖像

圖2 Faster-RCNN在識別紅外尾流中的應(yīng)用

2.2 基本網(wǎng)絡(luò)

Faster-RCNN第一步是采用基于分類任務(wù)（如，ImageNet）的CNN模型作為特征提取器，并可視化中間層，查看其輸出形式。Faster-RCNN最早是采用在ImageNet訓(xùn)練的ZF（Zeiler ＆Fergus Net）和VGG（visual geometry group），其后出現(xiàn)了很多其他權(quán)重不同的網(wǎng)絡(luò)。在各種深度神經(jīng)網(wǎng)絡(luò)中，卷積神經(jīng)網(wǎng)絡(luò)[11]是最廣泛應(yīng)用的一種，收斂性能和識別精度較為優(yōu)越。卷積神經(jīng)網(wǎng)絡(luò)由LeCun[12]在1989年提出，并且成功運用在手寫字符圖像的識別。2012年，AlexNet網(wǎng)絡(luò)擁有更深層次，并且在分類任務(wù)中取得成功，此后卷積神經(jīng)網(wǎng)絡(luò)高速發(fā)展，被廣泛用于各種領(lǐng)域。卷積網(wǎng)絡(luò)的訓(xùn)練是通過反向傳播訓(xùn)練得到的。反向傳播算法的關(guān)鍵是計算誤差項的值，根據(jù)該值計算損失函數(shù)對權(quán)重、偏置項的梯度值。本文將采用AlexNet作為預(yù)訓(xùn)練網(wǎng)絡(luò)，開展紅外尾流識別的遷移學(xué)習研究。AlexNet網(wǎng)絡(luò)有5個卷積層，其中一部分后面接著max池化層；有3個全連接層；最后是softmax輸出層，涵蓋了1000個節(jié)點，對應(yīng)1000個圖像類。該網(wǎng)絡(luò)在實現(xiàn)中沒有采用傳統(tǒng)的sigmoid或tanh函數(shù)作為激活函數(shù)，而是使用了新型的ReLU函數(shù)[13]：

其導(dǎo)函數(shù)為：

由于函數(shù)簡單，在正向傳播和反向傳播時能夠減少計算量，且該函數(shù)能夠提高圖片識別效果。

不同的基本網(wǎng)絡(luò)之間有所差異。通常，基本網(wǎng)絡(luò)的參數(shù)包含網(wǎng)絡(luò)內(nèi)部參數(shù)（訓(xùn)練輪數(shù)、訓(xùn)練學(xué)習率等）、驗證時的Frequency和Patience等。選用合適的基本網(wǎng)絡(luò)和相關(guān)參數(shù)，對結(jié)合Faster-RCNN算法識別尾流有重要影響。

3 結(jié)果與討論

3.1 比較不同的預(yù)訓(xùn)練網(wǎng)絡(luò)

預(yù)訓(xùn)練網(wǎng)的神經(jīng)網(wǎng)絡(luò)作為遷移學(xué)習的重要部分，那么選擇合適的預(yù)訓(xùn)練網(wǎng)也變成了重要的問題。通過比較不同的預(yù)訓(xùn)練網(wǎng)，看訓(xùn)練效果如何。不同的神經(jīng)網(wǎng)絡(luò)的卷積層和池化層有很大區(qū)別，在保證相關(guān)參數(shù)不變的情況下，利用Matlab中神經(jīng)網(wǎng)絡(luò)訓(xùn)練功能，選擇相同的小樣本集（3類尾流，每類10張），按照80%訓(xùn)練、20%驗證精度的比例來做對比，比較Google、VGG19、AlexNet三種基本網(wǎng)絡(luò)對預(yù)訓(xùn)練的差異。

首先，固定好訓(xùn)練網(wǎng)絡(luò)的參數(shù)。參數(shù)設(shè)置如圖3(a)所示。針對3個不同的預(yù)訓(xùn)練網(wǎng)絡(luò)，我們設(shè)置訓(xùn)練輪數(shù)為5，F(xiàn)requency＝3，Patience＝5，保證參數(shù)不變進行實驗。

從圖3(b)可以看出，采用Google作為預(yù)訓(xùn)練網(wǎng)，訓(xùn)練速度較快，總共花費了5min 34s，但是精度最終只有83.33%，損失值最終也沒有收斂。

從圖3(c)可以看出，采用VGG19作為預(yù)訓(xùn)練網(wǎng)，在第一輪結(jié)束之后，精度就可以達到一個較高的數(shù)值，且在第二輪完成時已經(jīng)可以穩(wěn)定在100%，損失值也收斂為0，但花費時間較長，耗時61min 49s。

從圖3(d)可以看出，采用AlexNet作為預(yù)訓(xùn)練網(wǎng)，在第二輪末端時刻我們的驗證精度可以達到100%，總共花費了13min 13s，損失也逐漸降為0。

由表1對比可以得出以下結(jié)論：

1）Google網(wǎng)絡(luò)在小樣本容量訓(xùn)練過程中速度較快，但回歸會出現(xiàn)不收斂的情形，導(dǎo)致最終訓(xùn)練精度達不到預(yù)期值。

2）VGG19網(wǎng)絡(luò)的內(nèi)部結(jié)構(gòu)復(fù)雜，在小樣本訓(xùn)練過程中，結(jié)果雖然可以達到理想的精度，但耗時較長。

3）AlexNet網(wǎng)絡(luò)的最終訓(xùn)練精度可以達到預(yù)期值，耗時一般。

對比之下，AlexNet網(wǎng)絡(luò)用于預(yù)訓(xùn)練網(wǎng)實驗較為優(yōu)越。

圖3 Google、VGG19、AlexNet基本網(wǎng)絡(luò)對比實驗圖

表1 3種基本網(wǎng)絡(luò)對比結(jié)果

3.2 討論網(wǎng)絡(luò)參數(shù)對精度的影響

3.1中已經(jīng)討論了不同的預(yù)訓(xùn)練網(wǎng)的訓(xùn)練效果，確定了AlexNet網(wǎng)絡(luò)可以在實驗中達到效益最大化，下面在AlexNet網(wǎng)絡(luò)的基礎(chǔ)上，將討論參數(shù)Frequency和Patience對訓(xùn)練網(wǎng)絡(luò)的影響。以便于在大樣本實驗中，能夠調(diào)整網(wǎng)絡(luò)至最優(yōu)解。

1）Frequency對預(yù)訓(xùn)練的影響

控制Patience＝5，訓(xùn)練輪數(shù)Epoch＝5，不改變系統(tǒng)神經(jīng)網(wǎng)絡(luò)的內(nèi)部結(jié)構(gòu)，其余參數(shù)不變，圖4比較了Frequency從1～5的變化。

參考Frequency參數(shù)對AlexNet網(wǎng)絡(luò)影響結(jié)果（詳見表2），可以得出以下結(jié)論：

Frequency如果過小會導(dǎo)致訓(xùn)練提前結(jié)束，達不到預(yù)期的精度；Frequency過大或者過小都會延長訓(xùn)練時間，但對穩(wěn)定性的影響較小。對于小樣本的AlexNet預(yù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，F(xiàn)requency在3或者4較為適宜。

圖4 Frequency參數(shù)對AlexNet網(wǎng)絡(luò)的影響實驗

表2 Frequency參數(shù)對AlexNet網(wǎng)絡(luò)影響結(jié)果

2）Patience對預(yù)訓(xùn)練的影響

控制Frequency＝4，訓(xùn)練輪數(shù)Epoch＝5，不改變系統(tǒng)神經(jīng)網(wǎng)絡(luò)的內(nèi)部結(jié)構(gòu)，其余參數(shù)不變，圖5討論了Patience在1、3、5、7時的變化。

參考Patience參數(shù)對AlexNet網(wǎng)絡(luò)影響結(jié)果（詳見表3），可以得出以下結(jié)論：

Patience的大小對訓(xùn)練的最終精度影響較小，對耗時影響也不明顯；但Patience一旦過小也會導(dǎo)致訓(xùn)練提前終止；過大會導(dǎo)致訓(xùn)練的穩(wěn)定度降低；在小樣本的AlexNet預(yù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，控制Patience在3～5較為適宜。

圖5 Patience參數(shù)對AlexNet網(wǎng)絡(luò)影響實驗

3.3 自定義網(wǎng)絡(luò)與預(yù)訓(xùn)練網(wǎng)絡(luò)比較

確立了AlexNet基本網(wǎng)絡(luò)的相關(guān)參數(shù)之后，對其進行測試。為更能說明尾流識別精度結(jié)果，選取11層的自定義網(wǎng)絡(luò)作為比較，這個自定義網(wǎng)絡(luò)沒有進行任何的預(yù)訓(xùn)練。實驗分別選用了45個樣本集、65個樣本集、85個樣本集對2類圖像進行比較訓(xùn)練（其中潛望鏡尾流為紅外圖像，艦船尾流為可見光圖像）。訓(xùn)練過程中，帶有預(yù)訓(xùn)練網(wǎng)的神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度加快，接著對2種成型的網(wǎng)絡(luò)用同樣的測試集進行測試。參考圖6，部分訓(xùn)練完成后的網(wǎng)絡(luò)能夠成功識別并定位出尾流圖像。從圖6可以看出，針對帶有紅外特征的尾流圖像，定位范圍能夠更加精準。

針對不同的樣本集實驗進行實時監(jiān)測，得到了自定義網(wǎng)絡(luò)和AlexNet遷移學(xué)習之后的成型網(wǎng)絡(luò)對尾流圖像的判別結(jié)果，詳見圖7。

從圖7(a)、(b)可以看出，45個小樣本集下，用14個分成2類的樣本去測試，AlexNet預(yù)訓(xùn)練的網(wǎng)絡(luò)比自定義的網(wǎng)絡(luò)漏檢率（未檢測到的目標占總目標的比例）低，誤檢率低，導(dǎo)致識別圖像的準確度（Accuracy）更高，參考表4。通過進行AlexNet預(yù)訓(xùn)練之后，在精準率方面，采用紅外圖像比可見光圖像的精準率高18.18%。

表3 Patience參數(shù)對AlexNet網(wǎng)絡(luò)影響結(jié)果

圖6 成型網(wǎng)絡(luò)尾流識別與定位測試結(jié)果展示

圖7 兩類尾流測試集下不同樣本的實時數(shù)據(jù)記錄

從圖7(c)、(d)可以看出，65個樣本集下，用14個分成2類的樣本去測試，增加了訓(xùn)練樣本數(shù)量之后，自定義網(wǎng)絡(luò)的漏檢率大幅下降，準確度提升較明顯，此時的自定義網(wǎng)絡(luò)的綜合性能接近于遷移學(xué)習網(wǎng)絡(luò)，參考表5。

從圖7(e)、(f)可以看出，85個樣本集下，用14個分成2類的樣本去測試，對于同樣的測試集，在訓(xùn)練樣本中增加區(qū)分度較小的2類尾流圖像，訓(xùn)練過程因出現(xiàn)過擬合而造成干擾，導(dǎo)致精度有所下滑。但從誤檢率、精準率和召回率來看，AlexNet遷移學(xué)習網(wǎng)絡(luò)受到的影響較小，說明AlexNet遷移學(xué)習網(wǎng)絡(luò)的穩(wěn)定性要比自定義網(wǎng)絡(luò)好，且隨著樣本數(shù)量增加，精準率和召回率都有所提升，參考表6。針對AlexNet遷移學(xué)習網(wǎng)絡(luò)，采用紅外圖像為正樣本時比采用可見光圖像在精準率方面高30%。

表4 45個樣本集/14個測試集（2類）下的實驗結(jié)果

表5 65個樣本集/14個測試集下（2類）的實驗結(jié)果

表6 85個樣本集/14個測試集下（2類）的實驗結(jié)果

4 結(jié)論

本文主要研究了深度遷移學(xué)習在尾流識別定位中的問題。通過結(jié)合Fast-RCNN算法，不同訓(xùn)練網(wǎng)絡(luò)能夠?qū)崿F(xiàn)對紅外尾流圖像的識別和定位。而在眾多預(yù)訓(xùn)練網(wǎng)絡(luò)當中，AlexNet神經(jīng)網(wǎng)絡(luò)的優(yōu)勢明顯；針對尾流小樣本容量的訓(xùn)練，AlexNet神經(jīng)網(wǎng)絡(luò)作為尾流識別預(yù)訓(xùn)練網(wǎng)絡(luò)的首選。它在訓(xùn)練精度、耗時、穩(wěn)定性等綜合方面的性能優(yōu)勢明顯。隨著樣本容量增加，對未進行預(yù)訓(xùn)練的網(wǎng)絡(luò)有一定的干擾能力，容易導(dǎo)致過擬合發(fā)生，而有預(yù)訓(xùn)練的網(wǎng)絡(luò)呈現(xiàn)出的穩(wěn)定性較高。在圖像選擇方面，識別尾流紅外圖像比可見光圖像在精準率方面高。因此抓住尾流的紅外特征，對判別尾流有較好的促進作用。通過實驗比較了遷移學(xué)習的優(yōu)勢，對未來水下航行器紅外尾流成像識別有廣闊的應(yīng)用前景。

[1] 王雨農(nóng). 基于視覺注意機制的神經(jīng)網(wǎng)絡(luò)模型研究及應(yīng)用[D]. 合肥: 中國科學(xué)技術(shù)大學(xué), 2017.

WANG Yunong. Research on Visual Attention Based Neural Network Model and its Application[D]. Hefei: University of Science and Technology of China, 2017.

[2] Rumelhart D, Mcclelland J. Learning internal representations by error propagation[M]//:, Massachusetts: MIT Press, 1986: 318-362.

[3] 尹勰, 閆磊. 基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像目標檢測[J]. 工業(yè)控制計算機, 2017, 30(4): 96-97.

YIN Xie, YAN Lei. Image target detection based on deep convolutional neural network [J]., 2017, 30(4): 96-97.

[4] Razavian A S, Azizpour H, Sullivan J, et al. CNN features off-the-shelf: an astounding baseline for recognition[C]//, 2014: 512-519.

[5] Zeiler M D, Fergus R.[M]//–, Springer International Publishing, 2014.

[6] 胡炎, 單子力, 高峰. 基于Faster-RCNN和多分辨率SAR的海上艦船目標檢測[J]. 無線電工程, 2018, 48(2): 96-100.

HU Yan, SHAN Zili, GAO Feng. Ship target detection based on faster-RCNN and multi-resolution SAR[J]., 2018, 48(2): 96-100.

[7] 李新. 基于紅外熱像技術(shù)連鑄板坯裂紋預(yù)報方法研究[D]. 唐山: 華北理工大學(xué), 2015.

LI Xin. Research on Crack Prediction Method of Continuous Casting Slab Based on Infrared Thermography[D]. Tangshan : North China University of Technology, 2015.

[8] 張健, 楊立, 袁江濤. 水下航行器熱尾流試驗研究[J]. 實驗流體力學(xué), 2008, 22(3): 9-15.

ZHANG Jian, YANG Li, YUAN Jiangtao. Experimental study on thermal wake of underwater vehicles[J]., 2008, 22(3): 9-15.

[9] 賀林. 水噴淋消聲器設(shè)計與實驗研究[D]. 哈爾濱: 哈爾濱工程大學(xué), 2006.

HE Lin. Design and Experimental Study of Water Spray Muffler[D]. Harbin : Harbin Engineering University, 2006.

[10] 伍偉明. 基于Faster R-CNN的目標檢測算法的研究[D]. 廣州: 華南理工大學(xué), 2018.

WU Weiming. Research on Target Detection Algorithm Based on Faster R-CNN[D]. Guangzhou : South China University of Technology, 2018.

[11] 劉萬軍, 梁雪劍, 曲海成. 自適應(yīng)增強卷積神經(jīng)網(wǎng)絡(luò)圖像識別[J]. 中國圖象圖形學(xué)報, 2019, 22(12): 1723-1736.

LIU Wanjun, LIANG Xuejian, QU Haicheng. Adaptive enhanced convolutional neural network image recognition[J]., 2019, 22(12): 1723-1736.

[12] Lecun Y, Boser B, Denker J, et al. Back propagation applied to handwritten zip code recognition[J]., 1989, 1(4): 541-551.

[13] 王紅霞, 周家奇, 辜承昊, 等. 用于圖像分類的卷積神經(jīng)網(wǎng)絡(luò)中激活函數(shù)的設(shè)計[J]. 浙江大學(xué)學(xué)報: 工學(xué)版, 2019, 53(7): 1363-1373.

WANG Hongxia, ZHOU Jiaqi, GU Chenghao, et al. Design of activation functions in convolutional neural networks for image classification[J].: Engineering Edition, 2019, 53(7): 1363-1373.

The Influence of Deep TransferLearning Pre-training on Infrared Wake Image Recognition

ZHONG Rui，YANG Li，DU Yongcheng

(,,430033,)

With lower underwater vehicle noise levels, the infrared imaging characteristics of underwater vehicle wake have become one of the main detectable sources. Using the infrared characteristics of underwater vehicle wakes to detect underwater vehicle traces has gradually developed into a popular detection method. Because of the low efficiency and inaccuracy of artificial wake characteristics identification, the adopted artificial intelligence deep learning method can be greatly improved. In this study, the infrared feature recognition of underwater vehicle wake is the primary focus. A sample set of mixed classes was made by image classification. The training effect of different pre-training networks was compared using migration learning. The influence of the internal parameters of the pre-training networks on the training effect of the wake was discussed. Finally, in the small sample set of 45 two kinds of wake, the recognition accuracy of the network after pre-training increased by 21.43%, the false detection rate decreased by 2.14%, and the positioning accuracy of the image with infrared characteristics was 18.18% higher than that of the visible image. This pre-training test has a certain application potential for future research on wake detection combined with convolution neural network recognition.

infrared characteristics, wake, deep learning, transfer learning, faster-RCNN

TP391.41

A

1001-8891(2021)10-0979-08

2020-03-08；

2020-04-27.

鐘睿（1996-），男，碩士，主要研究方向：傳熱、熱流體及其應(yīng)用。E-mail：243225679@qq.com。

楊立（1962-），男，教授，主要研究方向：傳熱、熱流體及其應(yīng)用。

“十三×五”海軍預(yù)研項目。