改进 YOLO v7 算法下的监控水域环境人员识别研究

基于水域监控系统智能化的发展需求,提出了一种监控水域环境下人员识别算法。在水域场景数据采集、数据清洗与标记后,自主构建了一套监控水域场景下的人员类别数据集YZ-Water4,共8 092张图片和24 011个标签。基于目标检测算法YOLO v7的性能基础,针对水域场景特点,提出了适用于水域环境的目标检测算法YOLO-WA(you only look once-water area)。首先,使用更适合视觉任务的FReLU激活函数取代YOLO v7算法中激活函数;其次将注意力机制融合到算法网络骨架中,提升算法的特征提取能力;最后,选择SIOU损失函数替换YOLO v7算法中的CIOU损失函数以优化算法训练过程。实验结果表明,YOLO-WA与原算法相比,在水域人员类别数据集上识别精确率由82.3%提升到86.9%,召回率由92.0%提升到92.8%,平均精度从88.4%提高到90.6%,检测速度达到了85 fps,满足实时运行的精度与速度要求。     

面向水域场景的热成像人员识别算法研究

针对水域场景夜间能见度极低,难以实现人员目标检测与定位的问题,结合红外热成像技术与深度学习目标检测算法, 研究了一种黑暗环境下水域人员目标检测方法。 经过多场景实地采集,自主构建了一套热成像水域场景下的人员目标数据集 IR-YZ。 在对比经典目标检测方法在 IR-YZ 数据集上的性能的基础上,针对热成像特点与水域环境特点,提出了一种增强型轻 量级水上目标检测网络 IWPT-YOLO(infrared water person target-YOLO)。 实验结果表明,IWPT-YOLO 算法具有精确、快速、简洁 等优势,其模型大小为 93 MB,平均精度 mAP 达到了 85. 34%,检测速度达到了 20. 975 FPS,比经典算法 YOLOv3 网络与 SSD 网 络在模型大小、平均精度与检测速度上均有提高,验证了 IWPT-YOLO 算法对水域场景下的热成像人员目标具有更好的检测性 能,更明显的优势。     

水面无人艇可行域及障碍物快速分割算法研究

针对水面无人艇(USV)可行域及障碍物分割系统对图像处理过程的快速性和准确性要求,研究了一种根据无人艇机载视觉传感器对水上图像快速分割的算法。首先经过多地实验采集实验图像,经过数据清洗、图像去重和人工筛选构建原始数据库,并采用人在回路数据标注方法构造了无人船可行域及障碍物分割数据集,共5 620张图像和25 875个标签;其次实践了主流的基于深度学习的语义分割方法,包括FCN、DeeplabV3 Plus、U-Net;最后针对水上图像的特点和快速分割的任务需求,提出了一种基于改进DeeplabV3 Plus的快速分割网络DeeplabV3-CSPNet。网络学习实验、离线航行实验和模型部署结果表明,DeeplabV3-CSPNet算法取得快速且准确的分割效果,平均精度达到84.17%,运算速度达到49.26 fps,在边缘计算平台上运算速度达到45.45 fps。     

基于无人船视觉的水域人员类别识别算法

针对水域环境下人员识别,提出了一种基于水面无人船(unmanned surface ship,USV)视觉传感器的水域人员类别识别 算法。 依照数据采集与模型更新流程,将采集到的视频数据进行数据清洗与标记后,创建人员类别数据集 39 959 张图片,7 个 类别;实践了基于深度学习方法下主流目标检测网络 YOLO v5,并针对水域环境场景特点,提出基于 YOLO v5 的人员类别识别 算法;将人员类别识别算法部署到边缘计算平台,实现算法在无人船上的实时应用。 算法在人员类别识别数据集上达到了平均 精度 86%,在无人船实测中实现了每秒处理 38 帧的人员类别识别实时性表现。     

面向无人艇智能感知的水上目标识别算法研究

针对水面无人艇(unmanned surface vessel,USV)智能感知系统对图像处理过程的准确性和实时性要求,研究了一种根据无人艇上机载视觉传感器对水上目标进行识别与定位的算法.首先根据开源数据集与实验数据采集图像,对实验数据抽帧、去重、标注、统计,创建了水上目标识别数据库YZ10K;其次实践了主流的基于深度学习的目标检测方法,包括Faster R-CNN、SSD、YOLOv3等;最后针对水上目标特点,提出了一种基于改进YOLOv3的增强型轻量级水上目标检测网络WT-YOLO(water target-you only look once).无人船实验验证表明,WT-YOLO算法取得了准确且快速的目标识别效果,平均精度为79.30％,处理速度为30.01 fps.