亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于均勻設(shè)計的船舶目標(biāo)檢測深度學(xué)習(xí)模型訓(xùn)練方法

        2022-10-13 04:21:34徐慧智宋愛秋武笑宇
        科學(xué)技術(shù)與工程 2022年25期
        關(guān)鍵詞:船舶精度深度

        徐慧智, 宋愛秋, 武笑宇

        (東北林業(yè)大學(xué)交通學(xué)院, 哈爾濱 150040)

        船舶檢測技術(shù)在海上救助、海上交通組織管理等方面發(fā)揮著重要作用,關(guān)系到運(yùn)行的安全性。但由于監(jiān)測場景復(fù)雜多變、船舶類型多樣化和視野范圍內(nèi)船舶體積較小等因素,船舶目標(biāo)精準(zhǔn)檢測存在諸多挑戰(zhàn)。近年來,計算機(jī)視覺感知技術(shù)以其高可靠性和實(shí)用性成為該領(lǐng)域的研究熱點(diǎn)。

        目前,船舶監(jiān)測數(shù)據(jù)主要來源為合成孔徑雷達(dá)檢測、衛(wèi)星遙感影像檢測和視頻監(jiān)控,船舶目標(biāo)檢測主流方法為圖像處理和深度學(xué)習(xí)。He[1]通過定義被檢測船舶的旋轉(zhuǎn)角度位姿和比例因子來檢測不同方向、不同尺寸的船舶,該方法對多視角觀測目標(biāo)具有適用性。矯騰章等[2]采用canny算子結(jié)合多特征量判別,對目標(biāo)船舶進(jìn)行邊緣檢測,實(shí)現(xiàn)海上多目標(biāo)艦船的檢測和跟蹤。張春雨等[3]利用激光掃描船舶交通環(huán)境,選用連續(xù)三幀差加速法,實(shí)現(xiàn)運(yùn)動目標(biāo)自動檢測。周林宏等[4]預(yù)處理攝像頭采集的視頻圖像,進(jìn)行圖像增強(qiáng)和圖像去噪處理后,采用梯度方向直方圖(histogram of gradient,HOG)[5]算法確定船舶輪廓,解決了傳統(tǒng)圖像檢測方法受復(fù)雜環(huán)境噪聲影響的問題。從當(dāng)前的研究成果來看,傳統(tǒng)圖像處理方法費(fèi)時耗力,對經(jīng)驗依賴性大,并且魯棒性不強(qiáng)[6],在檢測精度以及實(shí)時性方面表現(xiàn)不如基于深度學(xué)習(xí)的方法。深度學(xué)習(xí)目標(biāo)檢測領(lǐng)域,周慧等[7]構(gòu)建了特征金字塔結(jié)構(gòu),通過優(yōu)化多任務(wù)損失函數(shù),對定位船舶進(jìn)行細(xì)分類識別,平均識別精確率達(dá)到92.67%。Wei等[8]對遙感艦船圖像進(jìn)行預(yù)處理,在快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(faster regions convolutional neural networks,F(xiàn)aster R-CNN)中引入擴(kuò)展卷積,提出了一種改進(jìn)的船舶檢測算法,在HRSC2016數(shù)據(jù)集進(jìn)行了驗證;姚紅革等[9]通過負(fù)樣本增強(qiáng)學(xué)習(xí)的方法訓(xùn)練模型,針對復(fù)雜海情實(shí)現(xiàn)小目標(biāo)船舶的高精度識別,準(zhǔn)確率92.27%。楊浩琪等[10]將視覺注意機(jī)制引入網(wǎng)絡(luò),采用多級特征提取和去量化操作,實(shí)現(xiàn)船舶識別綜合準(zhǔn)確率92.56%。R-CNN、Fster R-CNN、SSD等目標(biāo)識別算法,增加注意力機(jī)制和改進(jìn)特征提取方式,融合高層次語義信息和物體定位信息,能夠提升深度學(xué)習(xí)的目標(biāo)識別檢測精度。多層卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行船舶目標(biāo)檢測時,需要通過訓(xùn)練提取對象特征,訓(xùn)練參數(shù)眾多且存在交叉影響,往往根據(jù)經(jīng)驗確定模型訓(xùn)練方案,費(fèi)時費(fèi)力且預(yù)期檢測效果難以控制。

        為解決船舶目標(biāo)檢測深度學(xué)習(xí)模型訓(xùn)練困難問題,現(xiàn)提出基于均勻設(shè)計理念的模型訓(xùn)練方案??紤]深度學(xué)習(xí)模型超參數(shù)之間的交互影響,設(shè)計訓(xùn)練和測試場景、訓(xùn)練和測試樣本比例、訓(xùn)練輪次、訓(xùn)練算法協(xié)同組合優(yōu)化,降低模型訓(xùn)練的輪次和復(fù)雜度,以提升模型檢測精度和效度。選取經(jīng)驗法訓(xùn)練方案作為對照,以實(shí)驗驗證均勻設(shè)計思路在深度學(xué)習(xí)模型訓(xùn)練上的有效性。解決深度學(xué)習(xí)模型在檢測精度提升的同時,深度學(xué)習(xí)網(wǎng)絡(luò)層數(shù)增多,訓(xùn)練時間過長,消耗計算能力的問題[11]。

        1 YOLO算法及均勻設(shè)計原理

        1.1 YOLO基本原理及框架

        YOLO(you only look once)是基于深度學(xué)習(xí)的單階段目標(biāo)檢測算法,將目標(biāo)檢測轉(zhuǎn)換為回歸求解,省去選定候選區(qū)域步驟[12],實(shí)現(xiàn)了端對端目標(biāo)檢測,YOLO檢測速度和精度優(yōu)于Faster-DPM、R-CNN、Fast R-CNN[12],算法流程如圖1所示。

        YOLO將檢測場景劃分為S×S個網(wǎng)格,估計檢測目標(biāo)具體位置,卷積層提取圖像深度特征信息,全連接層計算目標(biāo)位置和類別概率值[13]。YOLO算法自從2015年發(fā)布以來,不停更新改進(jìn),性能和適用性分別如表1和表2所示[14-19]。

        圖1 YOLO算法流程Fig.1 YOLO algorithm flow

        表1 單階段目標(biāo)檢測算法YOLO性能指標(biāo)

        表2 單階段目標(biāo)檢測算法YOLO適用性

        1.2 均勻設(shè)計基本原理

        均勻設(shè)計實(shí)現(xiàn)了實(shí)驗點(diǎn)在實(shí)驗范圍內(nèi)均勻分布,能夠以較少的實(shí)驗次數(shù),安排多因素、多水平的析因?qū)嶒灐?/p>

        均勻設(shè)計的影響因素各水平值出現(xiàn)一次,適用于多水平、多因素模型擬合及優(yōu)化實(shí)驗均勻設(shè)計,是仿真實(shí)驗設(shè)計和穩(wěn)健設(shè)計的重要方法[20]。

        2 數(shù)據(jù)集構(gòu)建及場景特征分析

        2.1 船舶目標(biāo)數(shù)據(jù)集構(gòu)建

        選取上海黃浦江水域船舶研究監(jiān)控視頻數(shù)據(jù),樣本5 268份(寬×高=1 920×1 080),場景為上海-黃埔-港務(wù)大廈22樓下游、上海-吳淞-雷達(dá)站上游、上海-吳淞-雷達(dá)站下游,如圖2所示。

        數(shù)據(jù)集場景和樣本數(shù)量如表3所示。

        使用LabelImg軟件標(biāo)注樣本,包含boat類別以及場景中所有目標(biāo)的位置信息(左下橫坐標(biāo)xmin、左下縱坐標(biāo)ymin、右上橫坐標(biāo)xmax、右上縱坐標(biāo)ymax),典型樣本標(biāo)注樣例如表4所示。

        圖2 數(shù)據(jù)獲取場景Fig.2 Scenario of data

        表3 觀測點(diǎn)分布情況

        表4 典型樣本標(biāo)注信息

        2.2 船舶目標(biāo)場景特征對檢測精度的影響

        數(shù)據(jù)集清晰度以及人工標(biāo)注產(chǎn)生誤差等,影響模型檢測精度。

        (1)清晰度對檢測精度的影響。場景像素1 920×1 080,天氣因素可導(dǎo)致場景不清晰,船舶目標(biāo)特征不明顯,模型訓(xùn)練時提取目標(biāo)特征不準(zhǔn)確,增加檢測錯誤率。

        (2)人工標(biāo)注對檢測精度的影響。采用LabelImg人工給圖片打標(biāo)簽,工作量大、費(fèi)時費(fèi)力的同時,人工標(biāo)注會產(chǎn)生漏標(biāo)目標(biāo)物體的情況,致使圖片的真實(shí)目標(biāo)數(shù)量值與圖片內(nèi)的標(biāo)注框數(shù)量不符,影響船舶目標(biāo)檢測精度。

        人工標(biāo)注帶來的檢測誤差影響如表5所示。

        選取測試集中的前9張照片,采用OpenCV按照標(biāo)注信息,在JPEGImages上進(jìn)行了繪制,如圖3所示。采用YOLOv4和YOLOv5s進(jìn)行目標(biāo)檢測,以矩形框標(biāo)注識別目標(biāo)boat的位置和數(shù)量,框上文字表示識別目標(biāo)的類別和概率,如boat0.88,如圖4、圖5所示。

        表5 人工標(biāo)注與模型檢測對比分析Table 5 Comparative analysis of manual annotation and prediction results

        圖3 OpenCV標(biāo)注Fig.3 OpenCV marks all target objects

        目標(biāo)檢測性能指標(biāo)查準(zhǔn)率(precision,P)表示預(yù)測的全部正樣本中分類正確的比例,查全率(recall,R)表示全部正樣本中能夠被正確預(yù)測的比例。精準(zhǔn)度(AP)是根據(jù)P-R曲線面積計算的性能指標(biāo),衡量學(xué)習(xí)出來的模型在每個類別上預(yù)測效果的好壞。

        (1)

        (2)

        式中:TP(ture positive)、FP(false positive)、TN(ture negative)、FN(false negative)分別為真正例、假正例、真反例、假反例對應(yīng)的樣例數(shù)。

        圖6樣本中人工標(biāo)注的label的數(shù)量為11,缺少一個目標(biāo)船舶的標(biāo)注,bndbox以紅色方框標(biāo)明。

        經(jīng)YOLOv5訓(xùn)練的檢測模型預(yù)測后顯示出13個boat預(yù)測框,如圖7所示。對于樣本檢測而言,在人工漏標(biāo)的情況下P=11/(11+2)=11/13,R=11/(11+0)=1,當(dāng)bndbox數(shù)量與真實(shí)情況一致時,P1=12/(12+1)=12/13,R1=12/(12+0)=1。由此可知,由于人工標(biāo)注工作的疏漏會降低模型檢測性能指標(biāo)AP值。

        3 模型訓(xùn)練及實(shí)驗分析

        3.1 經(jīng)驗法

        選用YOLOv4、YOLOv5s、YOLOv5x深度卷積神經(jīng)網(wǎng)絡(luò)檢測算法,設(shè)計9次檢測方案,使用不同數(shù)量的特定場景數(shù)據(jù)集訓(xùn)練模型,得到最優(yōu)權(quán)重,保存模型文件。經(jīng)驗法實(shí)驗參數(shù)設(shè)置如表6所示。

        3.2 均勻設(shè)計

        執(zhí)行6組訓(xùn)練方案,每一組訓(xùn)練模型對應(yīng)的訓(xùn)練場景、訓(xùn)練集圖片數(shù)量、使用算法類別、訓(xùn)練輪次的參數(shù)安排如表8所示。

        3.3 實(shí)驗分析

        經(jīng)驗法:執(zhí)行9次訓(xùn)練方案,YOLOv5s算法訓(xùn)練100輪次,最高精度AP為0.84。

        均勻設(shè)計:執(zhí)行6次訓(xùn)練方案,YOLOv5x算法訓(xùn)練200輪次,最高精度AP為0.91。

        實(shí)驗性能對比分析如表9所示。

        船舶目標(biāo)檢測選用的算法模型、訓(xùn)練輪次、訓(xùn)練集測試集不同,測試AP值存在差異。盲目增加訓(xùn)練輪次,不能顯著提高檢測效果,同時降低檢測效率。YOLOv4、YOLOv5s、YOLOv5x算法檢測如圖8、圖9、圖10所示。

        經(jīng)驗法和均勻設(shè)計實(shí)驗方案對比分析如表10所示。分析可知,基于均勻設(shè)計法進(jìn)行船舶目標(biāo)檢測深度學(xué)習(xí)模型訓(xùn)練,實(shí)驗次數(shù)少,訓(xùn)練模型精度高。

        4 結(jié)論

        (1)固定訓(xùn)練集和測試集,過度增加深度學(xué)習(xí)模型訓(xùn)練輪次,不能顯著提高模型檢測精度。

        圖6 場景3人工標(biāo)注Fig.6 Manually annotated scenario 3

        表6 經(jīng)驗法實(shí)驗的訓(xùn)練方案

        表7 因素和水平對應(yīng)表

        表8 基于均勻設(shè)計的訓(xùn)練方案

        表9 實(shí)驗性能對比分析

        表10 兩種訓(xùn)練方案對比分析表

        圖7 場景3測試檢測Fig.7 Prediction results of scenario 3

        圖8 YOLOv4算法檢測Fig.8 YOLOv4 algorithm predicted results

        圖9 YOLOv5s算法檢測Fig.9 YOLOv5s algorithm predicted results

        圖10 YOLOv5x算法檢測Fig.10 YOLOv5x algorithm predicted results

        (2)均勻設(shè)計方法訓(xùn)練深度學(xué)習(xí)模型,在有限實(shí)驗次數(shù)條件下,能夠較好地訓(xùn)練深度學(xué)習(xí)模型,提升檢測精度。

        (3)均勻設(shè)計理念延伸至深度學(xué)習(xí)模型其他可控變量或超參數(shù)的訓(xùn)練環(huán)節(jié),可節(jié)約訓(xùn)練時間。

        猜你喜歡
        船舶精度深度
        《船舶》2022 年度征訂啟事
        船舶(2021年4期)2021-09-07 17:32:22
        深度理解一元一次方程
        船舶!請加速
        BOG壓縮機(jī)在小型LNG船舶上的應(yīng)用
        深度觀察
        深度觀察
        深度觀察
        基于DSPIC33F微處理器的采集精度的提高
        電子制作(2018年11期)2018-08-04 03:25:38
        船舶壓載水管理系統(tǒng)
        中國船檢(2017年3期)2017-05-18 11:33:09
        GPS/GLONASS/BDS組合PPP精度分析
        精品久久久噜噜噜久久久| 无码成年性午夜免费网站蜜蜂| 亚洲欧洲日产国码久在线| bbbbbxxxxx欧美性| av资源吧首页在线观看| 日本一区二区三区在线视频播放 | av在线播放免费网站| 国产片精品av在线观看夜色| 国产亚洲欧美精品久久久| 青青视频一区| 在线国产视频精品视频| 国产一区二区三区在线av| 人妻av中文字幕久久| 精品亚洲成a人7777在线观看 | 欧美日韩国产另类在线观看 | av在线天堂国产一区| 日韩无码专区| 日韩精品成人无码专区免费| 久久露脸国产精品| 无码专区久久综合久中文字幕| 国产97色在线 | 免| 亚洲人成无码网站十八禁| 美女露出奶头扒开内裤的视频 | 九九久久精品国产免费av| 久久国产精品99精品国产| 亚洲AV无码专区一级婬片毛片| 免费视频成人 国产精品网站| 中文字幕一区二区区免| 国产一区二区av免费观看| 97一期涩涩97片久久久久久久| 久久乐国产精品亚洲综合| 亚洲中字幕永久在线观看| 少妇又紧又爽丰满在线视频 | 中文字幕乱码亚洲无限码| 亚洲国产另类精品| 欧美亚洲日韩国产区| 亚洲高清国产拍精品熟女| 日本人妻系列中文字幕| 免费va国产高清大片在线| 国产一区二区精品在线观看| 国产91大片在线观看|