摘要
随着海上贸易的迅速发展，海洋安全的重要性越来越受到重视。实现海上船舶目标智能化识别，不只是为了保障我国海洋资源，在海洋高效生产、军事活动等方面也都有着重要的作用，这推动了船舶的无人化和智能化。现有的目标识别算法在进行图像识别时，往往会受限于所处的天气及背景，如果天气恶劣或者背景较为复杂，会影响目标的检测效果和质量。在深度学习蓬勃发展的背景下，基于深度学习的目标检测方法因其出色的特性而被广泛应用。本文针对海上环境的复杂性和船舶识别算法识别率较低等问题，提出了一种基于改进YOLOv5深度学习的海上船舶识别算法。本文的主要研究内容为以下几个方面: （1）首先对国内外深度学习的发展历程、船舶识别研究现状及相关理论进行介绍，接着列举了三种具有代表性的目标检测算法并对以上算法进行了分析，最后拟定本文所采用的YOLOv5算法。 （2）基于深度学习的海上船舶识别研究与改进。在图像输入时，通过对图像进行处理，增强船舶图像的有效信息。为了使模型更重视学习通道的特征信息并融合更多特征,在YOLOv5基础上添加SE注意力机制模块。针对检测过程中船舶存在遮挡问题，对NMS进行改进，提高了目标船舶的召回能力。 （3）针对不同算法进行实验验证。在船舶识别任务上，经过改进后的YOLOv5模型的准确率、召回率和F1值分别为90.6％、89.9％、90.5％,检测效果比YOLOv5模型分别提升了6.3％、4.8％、5.8％,比YOLOv4模型分别提升了19.1％、19.0％、19.3％;在雾天船舶识别任务上，加入暗通道去雾算法模型的准确率、召回率和F1值分别为88.1％、87.2％、87.6％,检测结果比未加去雾算法模型分别提升了13.8％、13.3％、13.5％。研究结果表明，改进后的YOLOv5模型有效地解决了多目标和雾天条件下的海上船舶检测准确率低的问题,提升了船舶识别的整体效果。
NETL