雾环境下的船舶目标检测研究

摘要

针对船舶在雾环境中因能见度不良易发生碰撞、船舶识别困难和检测精准度较低等问题：首先构建出雾环境下的船舶目标检测数据集；接着在YOLOv5基础上进行改进，在原网络结构基础上，为使深度可分离卷积更接近可分离卷积，使用GSConv模块替换Head部分CBS模块，以提高模型精准度，并引入Slim-Neck范式，进一步提高模型平均精准度，降低模型的计算量。同时，采用多项式损失函数替换原二元交叉熵损失函数，以提高模型的精准度，并引入SIoU Loss消除真实框与预测框方向问题的缺陷，以提高训练速度和推理准确性。实验结果表明，模型在mAP_0.5指标上达到95.7%,相较于基础YOLOv5模型，改进后的船舶目标检测模型mAP_0.5提高0.9%、mAP_0.95提高0.9%,同时FLOPs也降低2.1G。这一结果表明，雾环境下的船舶目标检测模型具有更优的精准度和更轻量的模型结构，在提高雾环境下船舶检测的精准度和效率方面具有很好的应用前景。

关键词

深度学习 / 目标检测 / 智能船舶 / 雾环境