毕业设计-基于深度学习的舰船目标检测技术

目录

前言

课题背景和意义

实现技术思路

一、舰船目标检测技术

二、舰船目标检测数据集

实现效果图样例

最后

---

前言

    📅大四是整个大学期间最忙碌的时光,一边要忙着备考或实习为毕业后面临的就业升学做准备,一边要为毕业设计耗费大量精力。近几年各个学校要求的毕设项目越来越难,有不少课题是研究生级别难度的,对本科同学来说是充满挑战。为帮助大家顺利通过和节省时间与精力投入到更重要的就业和考试中去,学长分享优质的选题经验和毕设项目与技术思路。

🚀对毕设有任何疑问都可以问学长哦!

选题指导: https://blog.csdn.net/qq_37340229/article/details/128243277

大家好,这里是海浪学长毕设专题,本次分享的课题是

🎯基于深度学习的舰船目标检测技术

课题背景和意义

舰船目标是现代化海战探测与侦察的重要目标。精确检测与打击舰船目标能够提升武器装备作战效能，是精确制导武器研制的重要方向之一。精确检测舰船目标有利于指战员获取军事情报、调整火力部署，有助于海洋权益的维护与海军战略的实现。基于图像的舰船目标检测技术依据图像特征判定是否存在舰船，同时实现舰船定位。当前我国海域多使用自动识别系统( automatic i-dentification system，AIS) 检测舰船，舰船航行的安全性得到提升，但 AIS 受气候、海杂波等噪声信号干扰大。高质量感光元件与图像处理技术的飞速发展，有效促进了基于深度学习的舰船目标检测技术的发展。传统的目标检测算法特征需人为设计，传感器成像受气散射、雨雾遮挡等干扰严重，复杂多变的背景环境对舰船目标检测造成了巨大挑战。将深度学习用于舰船目标检测任务，能够提升复杂背景下舰船检测准确率，为实时、准确、 鲁棒性强的舰船目标检测技术提有力支撑。

实现技术思路

一、舰船目标检测技术

传统方法计算简单 ， 但检测特征针对特定场景设置 ， 舰船目标检测鲁棒性不足。深度神经网络具备强大的特征提取与处理能力。经非 线性变换后， 图像底层信息被抽象成高层语义特征 ， 可实现复杂目标的检测与表达。 针对是否生成候选框 ， 可将算法归为两类: 基于候选框的方法与基于回归的方法。

基于候选框的方法

算法将目标检测框架分为两个阶段 ， 首先生成可能包含检测目标的一系列候选框， 再基于筛选后的高质量候选框实现目标的分类与坐标调整。 基于候选区域 ( Ｒegion of Inter-est， ＲoI ) 的代表性算法有 Ｒ-CNN 、 Faster Ｒ-CNN 与 Mask Ｒ- CNN。

基于回归的方法 

基于候选框的目标检测方法充分利用了预测框特征信 息， 具有较好的检测性能 ， 但繁重的预测框处理严重影响检测速度的提升。 基于回归的检测方法在检测图上等距采样 ， 作为锚框的中心， 直接利用锚框与真实框实现目标的分类与 坐标修正， 精简了预测框的处理与特征重采样过程 ， 检测速 度更快， 但精度略有下降 。 其中具有代表性算法为 YOLO 、 SSD 等 。

YOLO 将输入图像划分为 S × S 个网格 ， 若目标中心落入 相 应 网 格 单 元， 该单元则负责相 应目标的检测 。YOLO 直接利用卷积神经网络回归分类概率与边界框 ， 检测实时性优势凸显，但对于小尺度目标定位精度有待提升。例如，以一个100x100的图像为例。我们把它分成网格，比如7x7。

然后，对于每个网格，网络都会预测一个边界框和与每个类别（汽车，行人，交通信号灯等）相对应的概率。

然后，对于每个网格，网络都会预测一个边界框和与每个类别（汽车，行人，交通信号灯等）相对应的概率。

 SSD对不同卷积层设置了不同数量与大小的锚框，当锚框与目标框重合率大于设定阈值时，即视为检测正样本。锚框机制与多尺度特征图的引入，使得 SSD 算法对小目标的检测性能更佳。

  不依赖锚框的方法

基于候选框的舰船目标检测方法检测效果较好，但存在需要生成大量的候选框，候选框需人为设定大量的超参数，超参数的设置很大程度上依赖检测任务与适用数据集，手动调优较为困难等问题。基于以上衍生出不依赖候选框( Anchor-Free) 的目标检测算法。Anchor-Free 算法包括基于角点的检测方法与基于关键点的目标检测方法。

在anchor free 算法中，也分为两种思路，anchor-point的算法和key-point的算法，anchor-point通过预测目标中心点(x,y)及边框距中心点的距离(w,h)来检测目标，典型的此类算法有Yolov1，FCOS等，而key-point方法是通过检测目标的边界点（如：角点），再将边界点配对组合成目标的检测框，此类算法包括CornerNet等。

 有向舰船检测方法

有向舰船检测方法在实现舰船分类的同时， 回归舰船的位置与方向 ， 输出检测信息更全面 ， 算法功能得到扩展; 由于神经网络需要同时识别舰船类别 、 回归舰 船位置与方向， 网络复杂度提升 ， 导致检测速度略有下降 。 总体而言， 检测精度更高 、 实时性更好的有向舰船目标检测 算法具有巨大发展潜力。

Anchor-Free 算法不依赖锚框， 利用卷积神经网络直接完成图像输入 、 关键点提取、 位置回归与尺度预测 ， 参数设置更灵活 ， 兼具检测准确性与实时性优势。

二、舰船目标检测数据集

舰船目标检测任务不同 ， 适用的深度学习目标检测网络不同。 依据舰船目标图像数据来源 ， 可将舰船目标检测数据 集划分为基于光学遥感图像的舰船数据， 以及基于 SAＲ 图 像的舰船数据。

实现效果图样例

基于深度学习目标候选的usv海上船艇检测：

我是海浪学长,创作不易,欢迎点赞、关注、收藏、留言。

毕设帮助，疑难解答，欢迎打扰！

最后