基于卷积神经网络的船舰检测系统及方法与流程

本发明涉及船舰目标识别检测，具体涉及基于卷积神经网络的船舰检测系统及方法。

背景技术：

1、卷积神经网络是处理具有网格结构的图像、视频数据的深度学习算法，常用于船舰检测系统中，对海上目标物体进行识别和检测，具体是利用卷积层、池化层和全连接层等组件来提取和学习输入数据的特征，以达到实时关注海域内过往船只、海洋生物和礁石的位置和方向，能够更好地对海域进行管理，对海上交通、船舰安全、海上救援等起到关键性作用。

2、现有的船舰检测系统多为搭载检测网络的终端系统，用户需要将卫星遥感图像上传到终端，终端在获取图片后，利用检测算法计算得出结果，这种检测方式需要大带宽的网络，当图片数量较多时，网络会出现卡顿和传输丢失的情况，无法实时得到检测结果，而部署了检测算法的服务器终端需要有强计算性能，才能提高检测的实时性，减少延迟结果，因此，不仅增加了检测成本，还存在检测速度慢，并且在不同环境下检测出的图像数据，由于缺乏精确样本的对比分析、风险预警、评估判断等检测后续策略处理，导致船舰检测系统缺乏鲁棒性。

3、现有技术存在以下不足：当海上运行的船舰在航海过程中，基于卷积神经网络的船舰检测系统需要昼夜实时采集船舰运行四周的静动态物体图像，通过卷积神经网络算法进行检测计算后得出检测结果，然而，由于昼夜的光感及天气环境会直接影响图像分辨率，存在检测结果的差异性和不精确性而导致船舰定位不准确，若出现海面悬浮的冰山、偏离的船只或被困的海洋生物与船舰碰撞的情况下，将会对船舰上工作人员的生命安全造成极大的威胁，以及危害海洋生物性命和污染海域环境。

4、在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、本发明的目的是提供基于卷积神经网络的船舰检测系统及方法，本发明通过对船舰海上运行环境的检测，采集图像并建立对比模型，得出图像检测结果的精确度拟合系数，当检测计算出海上目标物体时，通过拟合计算后，进一步对物体进行时间变化的动静态分析，评估目标物体对船舰是否存在风险隐患，以解决上述背景技术中的问题。

2、为了实现上述目的，本发明提供如下技术方案：基于卷积神经网络的船舰检测系统，包括图像采集模块、卷积神经网络检测模块、残差模块、空洞卷积模块、数据定点量化存储模块、对比分析模块、风险评估模块；

3、图像采集模块，实时采集船舰运行四周的动静态目标物体的数据信息，采集后将多项数据信息进行预处理、标记、存储和传输至卷积神经网络检测模块进行检测计算；

4、卷积神经网络检测模块，接收预处理的图像数据并提取特征信息进行检测计算，利用残差模块采用残差跳层算法对特征信息进行输出的深层变换，并采用空洞卷积模块在卷积核中引入空洞参数来扩大感受野，以捕捉目标图像的上下文信息和细节特征，生出目标图像检测结果；

5、数据定点量化存储模块，将图像数据检测计算过程中出现浮点数据映射到固定位宽和小数点位置后，再进行计算和存储；

6、对比分析模块，利用图像采集模块采集船舰上一组静态目标的图像信息作为基础数据，根据卷积神经网络检测模块进行检测计算并得出检测结果，结合实际测量的数据进行误差值对比分析，将区别特征进行线性模拟训练，建立对比模型，生出精确度拟合系数，再将船舰航行中检测计算出的海上动静态目标数据进行模拟，得出检测目标的精确信息；

7、风险评估模块，获取检测目标的精确信息后，并根据实时采集的图像数据，建立时间-状态模型，进一步评估目标物体的动静状态和判断船舰航行状态与目标之间是否存在的隐患信号，根据风险评估结果生成预警信号并提供相应风险的规避措施。

8、优选地，所述对比模型是采集并检测计算出船舰上相对静止的船头/船尾标志性参照物图像数据，包括采集时间、参照物种类、参照物的定位位置及环境状态并依次将其标记为、、和；分别将检测计算出的采集时间、参照物种类、参照物的定位位置和环境状态与实际人为测量对应的采集时间、参照物种类、参照物的定位位置和环境状态进行关系建立，提取各项数据的数值并结合关联相似性拟定线性计算获取对比度的精确性拟合系数，精确性拟合系数的计算公式为：。

9、优选地，所述时间-状态模型是在船舰检测系统中识别检测海上目标物体数据，随着不同时间点的检测目标变化状态进行联立，其分为状态转移和观测两个阶段，第一阶段在状态转移时，则将检测目标所处的时间和定位进行状态转移计算，其计算公式为，式中，为检测目标在时间的状态转移向量，为检测目标在时间的状态向量，为检测目标在时间的控制变量向量，为状态转移过程的噪声向量；

10、第二阶段是定义观测计算时，进而描述目标物体的状态与可观测量之间的关系，其计算公式为，式中，为检测目标在时间 t 的观测量向量，为检测目标观测过程中的观测噪声向量。

11、优选地，所述风险评估是时间-状态模型计算下的船舰在海面上所检测的目标物体的参数信息进行统计、分类和判断，包括统计并分类检测目标的基础信息集，对风险等级进行判断并采取调控船舰运行的相关措施；

12、具体统计船舰在海面上所采集检测到的目标物体，并根据目标物体检测的采集时间、目标物体的种类、目标物体的定位位置和环境状态进行分类，参照物种类分为动态目标和静态目标；采集时间则以周期为10min-30min/每次的频率进行采集检测船舰航行过程中海上的目标物体；目标物体的定位位置是根据船舰检测系统中的视觉传感器进行实时监测和图像采集，利用图像处理和计算机视觉技术，提取目标物体的方向、距离位置；环境状态分为阴、晴、昼、夜和风向风级，以获取每个目标物体的具体状态，结合目标物体的具体参数信息，并统计获取的各个目标物体的数据构成基础信息集。

13、优选地，所述风险等级的判断是将船舰在海上航行过程中易出现的风险进行收集，包括摩擦碰撞、障碍物阻挡和救援延误航行，将评估风险与摩擦碰撞、障碍物阻挡和救援延误航行建立线性关系，则计算公式为，式中，的取值范围为0-1，的取值范围为1-10，为与摩擦碰撞、障碍物阻挡和救援延误航行对应的风险系数，再将风险评估划分为四个等级，无风险、低风险、中风险、低高风险，通过计算评估风险的值，使其划分在风险等级的阈值内判断风险程度，并根据风险程度反馈调控船舰在海上运行的方向和速度。

14、优选地，所述残差模块是卷积神经网络基于resnet网络的技术在网络上添加的组件，将采集的图像，输入特征、经过卷积和激活函数处理的特征进行求和，并在网络层中加入空洞卷积赖获得网络中大范围的局部特征，输入图像在网络的前向传递过程中生成的特征图进行不同尺度的信息输出。

15、优选地，所述空洞卷积模块是引用并调整空洞参数，使卷积核在输入特征图上以一定的跳数间隔进行采样，从而实现扩大感受野，捕捉目标物体的上下文信息和细节特征，具体而言，船舰在海上通过采集目标物体的图片信息进行检测计算时，则基于卷积神经网络技术，设空洞参数为，则图像的特征信息采样点之间的间隔为，式中，为卷积核的大小。

16、优选地，所述定点量化算法分为线性量化与非线性量化，线性量化使用预先定义的位宽与小数点位置，限制数据的表示范围与精度；而非线性量化则将权重数据聚类成不同簇，同一个簇内的权重数值相近，选择用同一个权重代表，通过查找表lut编码找到对应的权重，则不需要存储所有权重的数值，只需要存储权重对应的索引。

17、优选地，船舰的检测系统在海面上采集的定位角度、位置距离、物体种类及昼夜环境下的图像数据，通过can信号控制接口连接硬件电路直接将采集的图像信号传输至处理器芯片进行cnn检测计算；

18、根据残差模块计算出检测目标的特征信息，并结合空洞卷积模块进一步挖掘特征信息，经过设计和训练出darknet-53的神经网络算法，生成检测结果的识别定位信号；

19、鉴于神经网络算法计算数据时存在大运算量，在处理器中设置硬件加速器，采用数据定点量化算法，对处理数据进行预先定义的位宽精度与小数点位置计算，得到量化数据并存储；

20、建立对比模型，将采集、检测船上特定的一组静止参照物图像信号，利用darknet-53计算出检测结果，得出参照物的物种与环境的识别信号和定位参照物的角度和位置信号，并且与实际测量的结果与检测计算的结果进行区别特征逐一对比分析，生成精确度拟合系数；

21、再根据精确度拟合系数，将船舰检测系统采集和检测的目标物体信号综合计算后导出结果，进一步对物体进行时间变化的动静态分析，评估目标物体对船舰是否存在风险隐患，从而采取相应的措施进行风险规避。

22、优选地，所述darknet-53是基于残差模块的深度卷积神经网络模型，将船舰对海上采集目标物体的图像进行识别和目标检测，darknet-53模型包含53个卷积层、池化层和残差块，其检测步骤如下：

23、初始的卷积层是对输入图片进行特征提取；

24、残差块的内部包含若干卷积层和池化层，是对图像特征进行更深层次的提取；

25、全连接层是输出最终的分类结果。

26、在上述技术方案中，本发明提供的技术效果和优点：

27、本发明通过添加对比分析模块和风险评估模块，对船舰检测系统的检测结果进行对比分析、判断风险的后续处理，以及采用相对地措施应对各种复杂的海面场景，提高了的检测海上目标物体的意义；通过不设置服务器，仅采用船舰检测算法的处理器芯片和硬件加速器，实现低成本、高能效和算法速度块的船舰检测，经过darknet-53模型的检测计算，有效提高对复杂海上图像的船舰检测效果，提高检测的鲁棒性；以及在船舰检测方法中，通过建立对比模型和时间-状态模型，进一步对船舰检测目标物体进行了精确识别结果处理，并实现了预警功能和避免船舰及人员风险损失的效果。