摘要: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。

摘要: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(watertarget-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。