技术特征：
1.基于改进cascade r-cnn的红外船舶图像快速识别方法，其特征在于，包括：搭建基于cascade r-cnn的改进红外船舶网络，包括：以resnext-101网络作为特征提取网络对红外船舶图像进行特征提取，提取的特征图经由fpn+pan网络输入rpn网络，由rpn网络提取感兴趣roi区域，并利用focal损失函数进行损失计算；构建红外船舶图像数据集，对改进红外船舶网络进行训练和测试，得到训练好的红外船舶识别模型，并选取map最高的3个红外船舶识别模型；基于soft-nms算法获取多个交并比阈值，并通过获取的多个交并比阈值对3个红外船舶识别模型进行优化，得到最优交并比阈值和最优红外船舶识别模型；基于最优红外船舶识别模型识别红外船舶图像中的目标船舶。2.根据权利要求1所述基于改进cascade r-cnn的红外船舶图像快速识别方法，其特征在于，搭建基于cascade r-cnn的改进红外船舶网络，进一步包括：以resnext-101网络作为特征提取网络，提取的特征图输入至fpn+pan网络；fpn网络输出的新特征图均输入到pan网络中，fpn网络从顶部向下传达强语义特征，pan网络特征从底层向高层传递强定位特征，从不同的主干层对不同的检测层进行参数聚合，再输入到rpn网络；rpn网络基于fpn+pan网络上生成的所有新特征图得到不同大小、不同尺寸的锚定框，这些锚定框的位置和坐标值由两个3
×
3层卷积层预测得到，在修改锚定框参数后，将这些锚定框作为候选框输入到级联网络；级联网络通过focal损失函数进行损失计算。3.根据权利要求2所述基于改进cascade r-cnn的红外船舶图像快速识别方法，其特征在于，resnext-101网络包括5个卷积部分，每个卷积部分由若干个基本的卷积单元块堆叠组成，每经过一个卷积部分，特征图的分辨率缩小一半，后四个卷积部分的输出生成一连串的特征图块，这些一连串的特征图块输入至fpn+pan网络。4.根据权利要求2所述基于改进cascade r-cnn的红外船舶图像快速识别方法，其特征在于，考虑到船舶为扁长形状的影响，在rpn网络中修改锚定框的参数，包括生成的锚定框的长宽比、锚定框坐标和生成的锚定框的比例数量。5.根据权利要求2所述基于改进cascade r-cnn的红外船舶图像快速识别方法，其特征在于，在目标船舶预测锚定框非极大值抑制方面，修改nms算法中使用的交并比阈值，形成soft-nms算法，soft-nms算法在区间(0,1)上分别选取0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8和0.9作为9个不同的交并比阈值；通过9个交并比阈值分别进行iou筛选，若iou超过设定的交并比阈值，则降低锚定框的置信度；筛选完成后，对所有锚定框的置信度进行判断，若置信度降低后低于预设值，则排除对应的锚定框，若置信度降低后仍然高于预设值，则保留对应的锚定框。6.根据权利要求5所述基于改进cascade r-cnn的红外船舶图像快速识别方法，其特征在于，所述方法进一步包括：重新采集新的红外船舶图像，构建验证集；基于验证集，对由9个交并比阈值与3个map最高的红外船舶识别模型形成的27组关联数据进行验证，确定最优交并比阀值及最优模型。7.根据权利要求1所述基于改进cascade r-cnn的红外船舶图像快速识别方法，其特征
在于，所述方法进一步包括：构建红外船舶图像数据集，对于数据集中的每张红外船舶图像，通过labelimg程序对船舶区域进行标注，标注类型包括：，每张红外船舶图像标注后，均形成一个与之对应的文件标注；对数据集中的红外船舶图像进行归一化处理；对数据集中的红外船舶图像进行随机缩放、旋转、平移和放射变换；对数据集中灰度均匀的红外船舶图像，进行对比度增强；对数据集中的红外船舶图像进行随机划分，按照8:2的比例将数据集划分为训练集和测试集。8.基于改进cascade r-cnn的红外船舶图像快速识别系统，其特征在于，包括：搭建模块，用于搭建基于cascade r-cnn的改进红外船舶网络，包括：以resnext-101网络作为特征提取网络对红外船舶图像进行特征提取，提取的特征图经由fpn+pan网络输入rpn网络，由rpn网络提取感兴趣roi区域，并利用focal损失函数进行损失计算；训练测试模块，用于构建红外船舶图像数据集，对改进红外船舶网络进行训练和测试，得到训练好的红外船舶识别模型，并选取map最高的3个红外船舶识别模型；优化模块，用于基于soft-nms算法获取多个交并比阈值，并通过获取的多个交并比阈值对3个红外船舶识别模型进行优化，得到最优交并比阈值和最优红外船舶识别模型；识别模块，用于基于最优红外船舶识别模型识别红外船舶图像中的目标船舶。9.根据权利要求8所述基于改进cascade r-cnn的红外船舶图像快速识别系统，其特征在于，所述系统还包括数据预处理模块，用于对数据集中的红外船舶图像进行预处理，包括标注、归一化、随机缩放、旋转、平移、放射变换或对比度增强中的一或多种。10.根据权利要求8所述基于改进cascade r-cnn的红外船舶图像快速识别系统，其特征在于，所述系统包括配置模块，用于配置锚定框的参数、交并比阈值及置信度的预设值。
技术总结
本发明公开一种基于改进Cascade R-CNN的红外船舶图像快速识别方法及系统，方法包括：搭建基于Cascade R-CNN的改进红外船舶网络；构建红外船舶图像数据集，对改进红外船舶网络进行训练和测试，得到训练好的红外船舶识别模型，并选取mAP最高的3个红外船舶识别模型；基于Soft-NMS算法获取多个交并比阈值，并通过获取的多个交并比阈值对3个红外船舶识别模型进行优化，得到最优交并比阈值和最优红外船舶识别模型；基于最优红外船舶识别模型识别红外船舶图像中的目标船舶。本发明通过融合红外船舶特征与分类，解决了港口区域夜间作业时，因夜间光照不足导致引航员判断失误进而引发航行风险的问题。风险的问题。风险的问题。
技术研发人员：张笛 马浩为 范亮 李玉立 张金奋 万程鹏 吴达
受保护的技术使用者：武汉理工大学
技术研发日：2022.01.13
技术公布日：2022/2/15