船舶供应船舶安全管理理网络图怎么做

来源：蜘蛛抓取(WebSpider) 时间：2020-04-28 00:28 标签： 船舶安全管理

  船舶安全航行与应急处理讲解

VIP专享文档是百度文库认证用户/机构上传的专业性文档文库VIP用户或购买VIP专享文档下载特权礼包的其他会员用户可用VIP专享文档下载特权免费下載VIP专享文档。只要带有以下“VIP专享文档”标识的文档便是该类文档

VIP免费文档是特定的一类共享文档，会员用户可以免费随意获取非会員用户需要消耗下载券/积分获取。只要带有以下“VIP免费文档”标识的文档便是该类文档

VIP专享8折文档是特定的一类付费文档，会员用户可鉯通过设定价的8折获取非会员用户需要原价获取。只要带有以下“VIP专享8折优惠”标识的文档便是该类文档

付费文档是百度文库认证用戶/机构上传的专业性文档，需要文库用户支付人民币获取具体价格由上传人自由设定。只要带有以下“付费文档”标识的文档便是该类攵档

共享文档是百度文库用户免费上传的可与其他用户免费共享的文档，具体共享方式由上传人自由设定只要带有以下“共享文档”標识的文档便是该类文档。

还剩91页未读 继续阅读

本发明属于船舶检测领域具体涉及一种基于图像的船舶检测深度神经网络算法(sd-dcnn)。

基于图像的船舶自动检测是船舶自动驾驶和安全驾驶的基本问题之一也是计算机视觉領域的一个重要问题。尤其是小型船舶由于它们没有安装ais(automaticidentificationsystem)等设备，不能主动报告自己的位置等信息不易被其它船舶自动感知，容易造荿船舶碰撞传统的船舶检测方法采用手动的特征，算法的准确性和鲁棒性不够会出现误检和漏检。现有的基于深度学习的方法可以實现船舶的自动检测，然而对于小型的船舶很容易出现漏检影响驾驶安全。因此目前的船舶驾驶主要依赖人工瞭望实现船舶的安全行駛。

发明目的：为了解决现有技术的不足本发明提供了一种基于图像的船舶检测深度神经网络算法(sd-dcnn)，在检测大、中型船舶的基础上特別考虑了小型船舶，以实现各种类型船舶的自动感知

技术方案：一种基于图像的船舶检测深度神经网络算法，其特征在于：包括如下检測过程：

第一步图像上采样，使其长宽变成原来的2倍并用卷积操作提取初始特征；

第二步，将图像划分为s*s的网格对每一个网格本发奣预测b个船舶边界，每一个边界预测都给出6个参数即是x,y,w,h,shipconfidence,shippro，其中(x,y)是船体预测框的中心横坐标与船体预测框的中心纵坐标；(w,h)是船体预测框的寬度和船体预测框的高度；shippro为预测框中的物体属于船舶的概率；shipconfidence为船体预测框中存在船体的可信度；

其中pr(ship)表示船体是否存在预测框中：

bb(pred)為基于训练数据的预测框；bb(truth)为目标检测时的真实框；area(·)表示求面积；

第三步，通过级联空洞卷积神经网络来提取特征通过特征融合实现哆分辨率的船舶边界预测，确定船舶的位置；每次采用长为2的卷积操作实现下采样；

第四步设计损失函数，通过设置不同的比例因子给囿船体部分的预测框和没有船体部分的预测框做出相应的比例上的平衡

作为优化：所述的第三步，具体的实现是在原有的深度卷积神经網络基础上实现级联空洞卷积神经网络用于提取船舶目标具体的特征并将这些特征融合到高层网络中提取出高层的抽象特征。

作为优化：所述的第三步具体的实现是在船舶边界预测时，不是给出一个预测结果而是结合不同的分辨率，给出三个预测结果同时调整网络嘚参数。

作为优化：所述的第四步损失函数形式如下所示：

其中，为判断低i个网络中的第j个预测边界框是否负责船体目标的判别；

为含囿船体部分的预测边界框的可信度的预测；

为不含有船体部分的预测边界框的可信度的预测；

为判断是否船体的中心落在了网格中

有益效果：本发明基于卷积神经网络在计算机视觉领域的研究，在特征学习的基础上将分类和回归融合在一个深度神经网络中进行多目标实时檢测具有很强的准确性和快速性。

不同于传统的目标检测先提取特征(如localbinarypattern特征、historicoforientedgradient特征)采用分类模型(如supportvectormachine)得到目标，sd-dcnn算法使用了回归的思想它无需手动设计特征，也无需单独训练一个分类器或定位器只需将目标区域预测和目标类别预测整合于单个神经网络模型中。该方法采用单个神经网络将候选框提取、特征提取、目标分类、目标定位统一起来实现端到端的目标检测。通过sd-dcnn算法与其它物体检测方法如rcnn、fastrcnn等在检测速度和准确性方面的比较可知，sd-dcnn在速度方面的优势明显

图1是本发明的sd-dcnn目标检测的一般流程示意图；

图2是本发明的sd-dcnn网络结构示意图；其中，(a)船舶检测深度神经网络；(b)级联空洞卷积模块；

图3是本发明的sd-dcnn网络结果示意图；其中矩形框表示船舶的检测结果。

下面将对夲发明实施例中的技术方案进行清楚、完整地描述以使本领域的技术人员能够更好的理解本发明的优点和特征，从而对本发明的保护范圍做出更为清楚的界定本发明所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例都属于本发明保护的范围。

本发明基于卷积神经网络在计算机视觉领域的研究在特征学习的基础上将分类和回归融合在一个深度神经网络中进行多目标实时检测，具体为基于图像的船舶检测深度神经网络算法(sd-dcnn)

因为图像中有多个船舶目标，所以需要判别每一个预测框其具体的检测过程是：

第一步，图像上采样使其长宽变成原来的2倍，並用卷积操作提取初始特征；

第二步将图像划分为s*s的网格(gridcell)，对每一个网格本发明预测b个边界框(boundingboxes)每一个边框都给出6个参数，即是xy，wh，shipconfidenceshippro，其中(xy)是船体预测框的中心横坐标与船体预测框的中心纵坐标；(w，h)是船体预测框的宽度和船体预测框的高度；shippro为预测框中的物体属於船舶的概率；shipconfidence为船体预测框中存在船体的可信度；

其中pr(ship)表示船体是否存在预测框中：

bb(pred)为基于训练数据的预测框；bb(truth)为目标检测时的真实框；area(·)表示求面积。

第三步通过级联空洞卷积神经网络来提取特征，通过特征融合实现船舶边界预测具体的实现即是在原有的深度卷積神经网络基础上实现级联空洞卷积神经网络用于提取船舶目标具体的特征，并将这些特征融合以多分辨率的方式预测船舶的边界确定船舶的位置。

第四步设计损失函数，其作用是通过设置不同的比例因子给有船体部分的预测框和没有船体部分的预测框做出相应的比例仩的平衡损失函数形式如下所示：

其中，为判断低i个网络中的第j个预测边界框是否负责船体目标的判别；

为含有船体部分的预测边界框嘚可信度的预测；

为不含有船体部分的预测边界框的可信度的预测；

为判断是否船体的中心落在了网格中

sd-dcnn目标检测的一般流程示意图如丅图1所示。

将图像输入到sd-dcnn训练集中sd-dcnn会输入的图像自动划分为13*13的网格，如果船体的中心在这个网格内则sd-dcnn认为这个网格负责检测该船体部汾，并且每个网格都需要处理两个预选框每个预选框里面有6个参数需要确定，即为xy，wh，shipconfidenceshippro。

两个预测框需要预测12个参数此外，由式5可以知道若还需要预测在目标条件下的类别概率pr(class|ship)，则将pr(ship)和pr(class|ship)相乘即可以得到某个预测框对船体的判定概率其中pr(ship)为船体类别的概率，pr(class|ship)为茬本预测框中存在船舶的判定概率

sd-dcnn网络设计结构图如图2所示。

sd-dcnn网络预测过程需要对网络输出类别判断得到存在目标的网格，获取该网格所对应的预测框的位置信息即可完成相应的目标检测。

其中每个网格输出两个预测框，每个预测框都预测6个参数最后得到338个预测框参数的输出，由式5设定船体概率为0.2，小于0.2的表示不是船体目标大于0.2的即是目标船体。在预测框中将其按概率递减的顺序排开并且匼并重叠的预测框，通过不断的重复得到最后的船舶位置，用矩形框标识出来如图3所示。

分别对fastrcnn和sd-dcnn检测器在cpu和gpu下分别进行测试其结果如表1所示。

表1检测速度对比(帧/秒)

在cpu下两者的实时性都无法满足；在gpu下，fastrcnn的检测速度远远不及每秒二十四帧而sd-dcnn的检测性能却很优越。

對sd-dcnn以及fastrcnn进行错误率的测试其结果如下表2所示。

表2检测准确性对比(错误率)

从表中可知sd-dcnn在检测速度方面有优势，其准确性也更高

本发明通过实际的视频分析可以知道，多目标船舶实时检测的方法是成功的并且具有很强的准确性和快速性。

我要回帖

更多关于 船舶安全管理 的文章

 

随机推荐