(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211365278.X (22)申请日 2022.11.03 (71)申请人 青岛科技大 学 地址 266061 山东省青岛市崂山区松岭路 99号 (72)发明人 杨星海　刘佳峰　任志考　叶臣　 孟顺　王景景　 (74)专利代理 机构 青岛海昊知识产权事务所有 限公司 37201 专利代理师 刘艳青 (51)Int.Cl. G06V 10/82(2022.01) G06V 10/46(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于改进YOLOv5的舰船目标识别方法 及系统 (57)摘要 本发明提供了一种基于改进YOLOv5的舰船 目标识别方法及系统， 属于机器视觉和目标识别 技术领域。 该方法包括骤： 获取待检测图像， 分为 训练集和测试集； 改进YOLOv5模型： 以YOLOv5模 型为基本架构， 使用CSPOSA模块作为特征提取模 块、 使用BiFPN结构作为特征融合结构、 设置 Alpha‑IoU损失函数； 利用训练集对改进的 YOLOv5模型进行训练； 利用训练好的YOLOv5模型 对测试集进行检测， 输出船舰目标检测结果。 利 用本发明所提供的识别模型能够准备识别舰船 目标， 且能够在恶劣天气条件下准确识别， 提高 了检测精度。 权利要求书1页 说明书6页 附图3页 CN 115471729 A 2022.12.13 CN 115471729 A 1.一种基于改进YOLOv5的舰船目标识别方法， 其特 征在于， 该 方法包括以下步骤： S1： 获取待检测图像， 分为训练集和 测试集； S2： 改进YOLOv5模型： 以YOLOv5模型为基本架构， 使用CSPOSA模块作为特征提取模块、 使用BiFPN结构作为特 征融合结构、 设置Alpha ‑IoU损失函数； S3： 利用训练集对改进的YOLOv5模型进行训练； S4： 利用训练好的YOLOv5模型对测试集进行检测， 输出 船舰目标检测结果。 2.如权利要求1所述的舰船目标识别方法， 其特征在于， 所述S2中， 对  BiFPN结构进行 改进： 在原有BiFPN结构的基础上， 去除只有一条输入边的节点； 在分辨率较小的特征图上 增加输入特 征图数量； 在上采样过程中采用拼接操作， 在下采样过程中采用叠加操作。 3.如权利要求1所述的舰船目标识别方法， 其特征在于， 所述Alpha ‑IoU损失函数设置 如下： （1） 在DIoU的基础上， CIoU_Loss添加一个影响因子， 并且考虑预测框和目标框二者的 长宽比： 其中， β 是权重函数， b为预测框中心点坐标， bgt为真实框中心点坐标， ρ(,  )是欧式距离 计算； c为预测框、 真实框最小包围框的对角线长度， IoU为交并比损失函数， v是度量框的长 宽比的相似性可表示 为： 其中， wgt、 hgt分别是预测框的宽和高， w、 h是目标框的宽和高； （2） 为提高网络精度， 为小数据集和嘈杂的边界框提供更强的鲁棒性， 最终得到的损失 函数如下： 其中， β 是权重函数， b为预测框中心点坐标， bgt为真实框中心点坐标， ρ(,  )是欧式距离 计算； c为预测框、 真实框最小包围框的对角线长度， I oU为交并比损失函数。 4.如权利要求3所述的舰船目标识别方法， 其特征在于， 上述损失函数中， 通过设置α 次 幂使得在高I oU状态下， 预测框更好的回归真实框； 当α 为3时， 模型性能达 到最优。 5.如权利要求1所述的舰船目标识别方法， 其特征在于， 所述S1中， 获取的图像中还包 括退化图像， 即雨、 雾和弱光图像。 6.如权利要求5所述的舰船目标识别方法， 其特征在于， 退化图像的模拟仅在训练集中 进行； 对待操作的图像进行随机选择， 确定图像的模拟退化操作， 操作分别为合成雾天图 像、 合成弱光图像和合 成雨天图像； 最 终训练集中原始、 雾天、 雨天、 弱光图像占比为3:1:1: 1。 7.一种基于权利要求1所述方法的舰船目标识别的系统， 其特征在于， 包括： 数据采集 模块， 用于采集舰船图像； 舰船识别模块， 训练改进YOLOv5模型、 将舰船图像输入训练好的 识别模型中， 并输出识别结果。权　利　要　求　书 1/1 页 2 CN 115471729 A 2一种基于改进Y OLOv5的舰船 目标识别方 法及系统 技术领域 [0001]本发明属于机器视觉和目标识别技术领域， 具体涉及一种基于改进YOLOv5的舰船 目标识别方法及系统。 背景技术 [0002]随着全球经济活动的快速发展， 海上交通管理面临着前所未有的挑战。 准确检测 船位、 识别船型对保障海上航行安全、 海域监管和海洋权益保护具有重要意义。 由于岸基监 控摄像机接收到的视觉数据具有 更多有意义的信息， 岸基监控摄像机在港口安全监测中受 到了广泛关注。 近年来， 目标检测技术不断发展， 但大多数都是针对陆地 目标的。 海上目标 探测容易受到光反射强弱、 目标大小、 天气异变等的影响。 因此， 近海港口船舶目标识别一 直是研究难点。 [0003]近年来， 深度学习算法的不断突破提高了海上船舶目标检测的精度和速度。 深度 学习目标检测算法根据设计思想的不同可以分成两大类， 分别是一阶段方法和二阶段方 法。 二阶段方法在检测精度上具有优势， 但由于网络本身具有庞大的计算量， 在实际的推理 中容易耗费大量的时间， 不利于部署在实时应用上。 一阶段方法中性能比较突出的是 YOLOv5算法， YOLOv5保证了检测精度与速度之间的平衡， 更适合部署在海岸船舶目标检测 系统之中。 同时， YOLOv5也存在缺点， 缺点在于检测小目标物体时会出现漏检误检的问题， 并不完全适用于小目标检测。 发明内容 [0004]本发明的目的是提供一种基于改进YOLOv5的舰船目标识别的方法及系统， 以弥补 现有技术的不足。 [0005]为达到上述目的， 本发明采取的具体技 术方案为： 一种基于改进YOLOv5的舰船目标识别方法， 该 方法包括以下步骤： S1： 获取待检测图像， 分为训练集和 测试集； S2： 改进YOLOv5模型： 以YOLOv5模型为基本架构， 使用CSPOSA模块作为特征提取模 块、 使用BiFPN结构作为特 征融合结构、 设置Alpha ‑IoU损失函数； S3： 利用训练集对改进的YOLOv5模型进行训练； S4： 利用训练好的YOLOv5模型对测试集进行检测， 输出 船舰目标检测结果。 [0006]进一步的， 所述S2中， 对  BiFPN结构进行改进： 在原有BiFPN结构的基础上， 去除只 有一条输入边的节点； 在分辨率较小的特征图上增加输入特征图数量， 以便融合更多的特 征信息； 在上采样过程中采用拼接操作， 在下采样过程中采用叠加操作。 [0007]目标检测算法的分类函数一般由分类损失函数和回归损失函数两部分构成。 针对 回归损失函数部分， YOLOv5算法一般采用CI oU_Loss。 [0008]进一步的， 所述Alpha ‑IoU损失函数设置如下： （1） 在DIoU的基础上， CIoU_Loss添加 一个影响因子， 并且考虑测框和目标框二者说　明　书 1/6 页 3 CN 115471729 A 3