摘要
无人船是船舶自主化技术的一种重要应用，可以减少人员风险、提高作业效率和准确度，逐渐成为现代航运、水域资源勘测、海洋环境监测等领域的重要工具。无人船通常配备多种传感器实现对周围环境的感知和数据采集，例如雷达、GPS、AIS、声呐等，这些传统的船舶环境感知技术在无人船的应用上仍存在一些局限。随着深度学习的发展，采用光电传感器获取船舶航行环境信息并检测可为现有感知技术的有效补充。由于光电船舶图像存在着船体轮廓相似、目标重叠等问题，往往导致通用目标检测算法检测效果不佳。本文通过光电传感器获取的光电船舶目标，提出基于细节增强深度神经网络的光电船舶检测方法，提高光电船舶检测的能力，具体研究和工作如下： 1.为了能够实现检测更多分类的船舶，自建11分类光电船舶检测数据集MCSD11。针对现有使用最广泛的光电船舶检测数据集SeaShips存在的类别少、标注不完整等问题，结合航运中各类船舶数量特点，收集了大量船舶图片以及对应的船舶信息，自建11分类光电船舶检测数据集MCSD11。在通用目标检测模型FasterR-CNN上使用MCSD11进行训练，通过对多角度、多时间段的光电船舶图片进行检测，验证了数据集的可用性。 2.为了应对常见分类的光电船舶检测任务，提出了一种基于通道注意力和路径聚合的光电船舶检测算法。在二阶段目标检测框架上，设计了路径聚合网络，形成特征的双向融合，增强了网络对于船舶特征的提取能力；嵌入通道注意力机制，加大重要特征通道的权重，重点关注含有船舶细节特征的通道；使用Kmeans对数据集聚类锚框，解决原始锚框和船舶外形长宽比差距过大的问题；引入Soft-NMS筛选多余检测框，增强网络对重叠目标的检测能力。在此基础上进行迁移学习的训练策略，使用SeaShips数据集对提出的算法做了对比实验以及消融实验，在该数据集在mAP指标上达到了93.88%，验证算法的有效性。 3.为了满足在航无人船更多种类信息的感知需求，提出了一种基于细节增强的级联多分类光电船舶检测。根据MCSD11数据集的船舶目标特点，将平移和融合的思想相结合，提出混合平移数据增强算法。针对光电船舶多分类检测任务相较于通用目标检测的难点，设计了可变卷积平衡特征金字塔，强化模型的船体细节提取能力；结合全连接层和卷积层，从分类和回归两个方面同时改进，构成了级联交叉检测器；使用硬标签替换为软标签进行标签平滑正则化，改善检测中的多分类过拟合问题；在MCSD11数据集上展示特征提取、消融和对比实验，实验结果表明本文所设计的算法在mAP指标上的表现都优于主流的其他算法，达到了91.5%，为无人船态势感知技术的发展提供新的解决方案。
NETL