(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111624788.X (22)申请日 2021.12.28 (71)申请人 航天科工智能运 筹与信息安全研究 院 （武汉） 有限公司 地址 430040 湖北省武汉市临 空港经济技 术开发区五环大道6 66号 (72)发明人 赵琛　李子文　王庆兵　黄攀　 刘明洁　张王成　王雪　闫雪娇　 (74)专利代理 机构 中国兵器 工业集团公司专利 中心 11011 代理人 王雪芬 (51)Int.Cl. G06V 20/00(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06V 10/762(2022.01) (54)发明名称 一种基于图像深度学习的海上目标识别方 法 (57)摘要 本发明涉及一种基于图像深度学习的海上 目标识别方法， 属于人工智能图像识别相关技术 领域。 为快速准确的识别出海上目标， 满足态势 评定与威胁评估的需要， 为指挥决策提供重要依 据， 本发明提供了一种基于图像深度学习的海上 目标识别方法。 对比传统海上识别目标的方式， 本发明技术方案的准确性、 时效性、 智 能化程度 都得到了极大提高。 权利要求书2页 说明书4页 附图3页 CN 114299373 A 2022.04.08 CN 114299373 A 1.一种基于图像深度学习的海上目标识别方法， 其特 征在于， 包括以下步骤： S1、 获取海上目标图像， 分别形成样本集和预测集， 对所述样本集进行图像预处理， 并 构造训练标签； S2、 将所述海上目标图像的训练标签输入改进的YOLO  v3识别模型中， 训练得到海上目 标识别模型； S3、 将海上目标图像的预测集， 输入步骤S2得到的海上目标识别模型中， 进行目标检 测， 获得海上目标图像的属性信息， 作为 最终的目标检测结果； 所述属性信息包括类别。 2.如权利要求1所述的方法， 其特征在于， 步骤S1中， 对样本集进行图像预处理， 并构造 训练标签具体为： S1.1、 搜集海上目标图像， 将海上目标图像的样本集裁 剪成固定大小； S1.2、 对所述样本集中的海上舰船进行目标框标注， 目标框的信息参数包括： x_ center、 y_center、 w、 h， 分别对应中心点横坐标、 中心点纵坐标、 目标框的宽、 目标框的高， 同时给出每个目标的分类， 将标注后的信息存放在xml文件中； S1.3、 构造训练标签： 利用YOLO  v3模型将一张图片分为S*S的网格， 每个 网格负责预测 一个目标， 每个预测目标的参数包含x_c enter、 y_c enter、 w、 h、 confidenc e、 prob， 每个目标 框有n_anchor个先验框， 所以最后输入训练标签的特征shape为[batch_size,S,S,n_ anchor*(5+class)]， 其中bat ch_size为批尺寸， class为标准点， 遍历所述xml文件， 根据目 标框中心坐标计算出网格的序号作为目标的索引， 然后将网格的序号 填充在xml文件里面。 3.如权利要求1所述的方法， 其特征在于， 所述改进YOLO  v3识别模型是基于海上目标 图像， 对所述初始YOLO  v3模型进行解析而生成 的， 在基于YOLOv3网络的主干网络中， 使用 DarkNet53作为特征提取网络， 其中添加残差网络； 引进先验框， 通过聚类的方式得到先验 框， 作为回归的参 考。 4.如权利要求1所述的方法， 其特征在于， 所述改进 的YOLO v3识别模型的卷积神经网 络可对输入的训练集的海上目标图像进行不同大小的卷积运算， 形成海上目标图像的不同 尺度的特征度； 卷积神经网络学习海上目标图像不同尺度的特征， 实现对海上目标多个尺 度的检测。 5.如权利要求1所述的方法， 其特征在于， 将收集到的海上目标图像， 输入到改进的 YOLO v3识别模型中， 改进型的YOLOv3识别模型会预测三个不同大小的3D张量3Dtensor， 对 应三个不同的规模scale。 6.如权利要求1所述的方法， 其特征在于， 将待检测的海上目标图像， 分成S*S的网格， 每个网格预测C个矩形框以及所述矩形框的置信度； 其中， S表示划分网格数； B表示每个网 格负责的边框个数； 选择置信度分数值最大 的海上目标先验边界框， 通过逻辑回归函数对 待检测的海上目标图像的位置进行 预测。 7.如权利 要求1所述的方法， 其特征在于， 所述改进的YOLO  v3 识别模型的预测输出是 海上目标网格的单元坐标、 预测前边界框的宽、 高； 改进的YOLO  v3识别模型使用逻辑回归 的方法预测每 个边界框的分数。 8.如权利 要求1所述的方法， 其特征在于， 在所述改进的YOLO  v3识别模型中， 构 建损失 函数作为度量预测值与真实值之间误差的评判标准。 9.如权利要求8所述的方法， 其特征在于， 对于海上目标的坐标， 所述损 失函数采用误权　利　要　求　书 1/2 页 2 CN 114299373 A 2差平方和损失函数， 置信度以及类别采用二元交叉熵损失函数， 在3种不同的规模上预测， 且每种规模预测3个候选目标框 。 10.如权利要求2所述的方法， 其特征在于， 所述改进的YOLO  v3识别模型训练时， batch_size选择为8张， 优化器选择Adam优化器。权　利　要　求　书 2/2 页 3 CN 114299373 A 3