本发明涉及海面上的船舶目标检测方法，尤其涉及一种基于轻量级深度神经网络的船舶目标检测方法。
背景技术：
众所周知，我国海洋经济产业活动日益繁荣，国际海底资源争夺日益激烈,尤其是我国海军建设逐步向远洋海军转变，快速、准确、轻量、系统的船舶目标检测系统越来越显得重要。
船舶目标检测一直是边海防建设中比较重要的方面，它能保证精确、快速地识别海面船舶目标，同时也可为指挥员决策提供支持。精确、快速地检测海面上的船舶目标识别在巩固边海防的行动中起着重要的作用。
目前较常用的船舶目标检测方法包括经典的统计模式识别方法、基于知识的自动目标识别方法、基于模型的自动目标识别方法、基于人工神经网络的自动目标识别方法、基于人工智能和深度学习的自动目标识别方法。由于统计模式识别方法的船舶目标检测技术，对结构复杂的模式抽取特征困难，在实践中的准确性都较低；基于知识、模型的船舶目标检测技术的方法规则往往是根据经验得来的，准确合理的模型往往难以建立，从而也限制了它的应用；基于人工神经网络方法的船舶目标识别技术虽然在准确率有一定提升，但是网络深度较浅，并不能非常充分地提取特征；基于人工智能和深度学习的船舶目标识别方法能够利用深度卷积神经网络达到很好的检测精度，但是在实时性方面仍有欠缺，而且对硬件设备资源要求较高，通常运行在服务器中，无法应用于嵌入式设备中。
技术实现要素：
针对现有技术存在的技术问题，本发明提出一种基于轻量级深度神经网络的船舶目标检测方法。该发明的优势是结合np-hard问题解决思路，设计出特有的特征通道剪枝方法，轻量化深度神经网络，使之能够应用在较低性能的嵌入式设备中，具有较低的设备依赖性，同时在保持较高准确率的同时，还能减少网络计算量，从而提高实时性。
为解决其技术问题，本发明所采用的技术方案如下:
一种基于轻量级深度神经网络的船舶目标检测方法，其特征在于，包括以下步骤：
步骤s1：设计并训练得到船舶目标检测的轻量级深度神经网络模型；
步骤s2：将步骤s1中训练好的轻量级深度神经网络模型移植至嵌入式设备，通过摄像头实时采集船舶视频，通过训练好的模型来完成船舶目标检测；
其中，步骤s1进一步包括以下步骤：
步骤s11：制作两个数据集：第一数据集用于分类网络训练，根据imagenet的格式生成指定数据集；第二数据集用于检测网络训练，对所有获取的船舶目标图像进行标注，获得相应船舶目标在图中的坐标位置信息以及分类信息，并生成指定格式的xml文件；
步骤s12：根据第一数据集，利用深度卷积神经网络模型来进行船舶目标基础分类模型训练，得到原始分类网络模型；
步骤s13：对步骤s12得到的原始分类网络模型，采用如下步骤的通道剪枝方法进行处理：
步骤s131：设计加速性评估算法
其中，x是n维的输入特征，xi是x的第i个通道，yi是x对应的卷积核组的第i个通道，θ是通道选择的使能向量，其长度为c；θi＝0，则代表xi通道已经被剪枝；θi＝1，则代表xi通道未被剪枝；λ是惩罚系数；
步骤s132：通过步骤s131中的算法评估单层压缩性能，将剪枝优化问题视作np-hard问题进行参数优化，实现单层网络的通道剪枝；
步骤s133：运用步骤s132中单层网络的通道剪枝的方法按顺序逐层地进行通道剪枝，完成全局网络的通道剪枝，得到轻量级船舶目标快速分类模型；
步骤s14：将步骤s13中得到的轻量级船舶目标快速分类模型，移植到fasterr-cnn(一类主流的目标检测模型)的特征提取模块中，然后进行训练，得到用于船舶目标检测的轻量级深度神经网络模型。
与现有技术相比，本发明的有益效果是：对摄像头实际采集的有船舶目标的海洋图像，通过轻量级的深度神经网络进行目标检测，在不降低原有深度神经网络精度的前提下，更快速地完成船舶目标检测识别，网络快速性大大提高。使用特有的通道剪枝技术，有效减少模型参数，降低模型大小，从而能减少计算量。与现有的权值剪枝等网络压缩方法相比，本发明所设计的通道剪枝方法摒弃了原来那种暴力的剪枝操作，转而利用数学方法优化目标函数，利用结构化剪枝的策略，不再依赖特定的稀疏卷积计算库，同时能在获得高压缩率的同时大大减少测试阶段的计算时间。而且能够在较低计算性能的嵌入式平台上使用，大大提高使用的广泛性。
附图说明
图1是本发明基于轻量级深度神经网络的船舶目标检测方法的流程图。
具体实施方式
以下结合附图对本发明做进一步的描述。
针对现有技术存在的缺陷，本发明提出一种基于轻量级深度神经网络的目标检测方法，可以较好地摆脱传统深度学习方法对高性能计算设备的依赖性，能够有效地使用在一些嵌入式设备中，以较小的网络模型来实现较高指标的检测要求。
为了训练轻量级深度神经网络模型，先收集好所需的图像：10种不同类型的船舶在海面上的航行图像(航母、护卫舰、潜艇、医护船、渔政船、渔船、邮轮、救生船、冲锋艇、消防船)每个类别的图片各1000张，总共10000张。参见图1，所示为本发明基于轻量级深度神经网络的船舶目标检测方法的流程图，具体的实验步骤如下：
步骤s1：通过数据集采集标注，原始分类网络训练，并经过通道剪枝压缩得到轻量级船舶目标基础分类模型，再移植替换fasterr-cnn的特征提取模块，最后微调训练得到船舶目标检测的轻量级深度神经网络模型；
步骤s2：将步骤s1中训练好的轻量级深度神经网络模型移植至嵌入式设备，通过摄像头实时采集船舶视频，通过训练好的模型来完成船舶目标检测；
其中，步骤s1进一步包括以下步骤：
步骤s11：制作两个数据集：第一数据集用于分类网络训练，根据imagenet的格式生成指定数据集；第二数据集用于检测网络训练，对所有获取的船舶目标图像进行标注，获得相应船舶目标在图中的坐标位置信息以及分类信息，并生成指定格式的xml文件；以上两类数据集都分别按3:1的比例划分成训练集和测试集；
步骤s12：根据第一数据集，利用深度卷积神经网络模型来进行船舶目标基础分类模型训练，基础卷积神经网络由13个卷积层组成，卷积层伴有多尺度卷积单元、relu(假设函数)单元、最大池化层和归一化层。在分类网络中含有3个全连接层和一个10种类(船舶目标分类数据集类别)的softmax分类器。为了使得训练更快，使用了快速的gpu运算执行卷积操作。为了减少全连接层的过拟合，采用了名为dropout(神经元随机激活)的正规化方法，最后得到原始分类网络模型；
步骤s13：对步骤s12得到的原始分类网络模型，采用特有的通道剪枝的方法，找出并保留每一层具有代表性的通道，并将剩余的通道去掉，具体的通道剪枝步骤如下所示：
步骤s131：设计加速性评估算法
其中，x是n维的输入特征，xi是x的第i个通道，yi是x对应的卷积核组的第i个通道，θ是通道选择的使能向量，其长度为c；θi＝0，则代表xi通道已经被剪枝；θi＝1，则代表xi通道未被剪枝；λ是惩罚系数，通过增加λ可以增加通道剪枝的数量，从而提高压缩率和加速比；
步骤s132：本发明在直接减少不重要的通道后会对下游层产生影响，因此要进行网络重构，即优化卷积核组参数y；通过步骤s131中的算法评估单层压缩性能，将剪枝优化问题视作np-hard问题进行参数优化：首先，固定y，再优化以挑选出最具有代表性的通道；然后，固定，再优化y，最后实现单层网络的通道剪枝；
步骤s133：运用步骤s132中单层网络的通道剪枝的方法按顺序逐层地进行通道剪枝，将上一层的输出作为从当前层输入特性图，得到通道剪枝后的船舶目标快速分类模型，并进行训练微调，使得剪枝压缩前后的网络分类性能最优化，完成全局网络的通道剪枝，得到轻量级船舶目标快速分类模型，实现在不降低分类准确率的前提下进行快速目标分类；
步骤s14：将步骤s13中得到的轻量级船舶目标快速分类模型，移植到fasterr-cnn(一类主流的目标检测模型)的特征提取模块中，然后进行训练得到能用于船舶目标检测的轻量级深度神经网络模型；为了加快网络训练的速度与提高网络精度，在训练过程中，并没有从头开始训练，而是利用步骤s13得到的分类网络模型的参数来作为特征提取网络部分的初始化参数，从而更好更快地得到训练结果。
采用上述技术方案，与现有的权值剪枝等网络压缩方法相比，本发明所设计的通道剪枝方法将使用结构化剪枝的策略，不再依赖特定的稀疏卷积计算库，同时能在获得高压缩率的同时大大减少测试阶段的计算时间。该发明可以用于我国与周边海上邻国间的海洋边界区域，有效保护天然气、石油等海洋资源，防止宝贵资源被掠夺；也可用于保护领海、军事安全，帮助军队指挥人员及时掌握海洋船舶信息，从而有效达成精确指挥、精确控制、精确协同，并作出行之有效的安全决策。相对而言，基于轻量级深度神经网络的船舶目标检测技术，通过新型通道剪枝的网络压缩技术，具有设备依赖性低、准确性高以及实时性强等优点。