(19)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 202210249886.8 (22)申请日 2022.03.14 (71)申请人 中山大学 地址 510275 广东省广州市海珠区新港西 路135号 (72)发明人 谢晓华　秦潼　赖剑煌　周华君　 叶标华　 (74)专利代理 机构 深圳市创富知识产权代理有 限公司 4 4367 专利代理师 高冰 (51)Int.Cl. G06V 20/40(2022.01) G06V 10/32(2022.01) G06V 10/77(2022.01) G06V 10/774(2022.01)G06V 10/80(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于自适应数据增强的船舶检测方法及系 统 (57)摘要 本发明公开了基于自适应数据增强的船舶 检测方法及系统， 该方法包括： 通过摄像头获取 图片数据集并进行数据增强处理； 基于神经网络 模型， 对增强后的图片进行图片特征提取处理； 对特征图片进行多尺度维度注 意力计算， 得到具 有多尺度维度的特征图片； 通过损失函数对具有 多尺度维度的特征图片进行损失计算， 得到最终 损失值； 根据最终损失值更新神经网络模型， 构 建船舶检测模 型； 基于船舶检测模 型对待测图片 进行检测， 得到检测结果。 本发明基于可见光视 频检测技术， 通过构建船舶检测模 型提高对船体 的检测感知能力， 能够在特殊的检测环境下提高 船舶检测精度。 本发明作为基于自适应数据增强 的船舶检测方法及系统， 可广泛应用于船舶检测 技术领域。 权利要求书3页 说明书7页 附图4页 CN 114627415 A 2022.06.14 CN 114627415 A 1.基于自适应数据增强的船舶检测方法， 其特 征在于， 包括以下步骤： 通过摄像头获取图片数据集并进行 数据增强处 理， 得到增强后的图片； 基于神经网络模型， 对增强后的图片进行图片特 征提取处 理， 得到特 征图片； 对特征图片进行多尺度维度注意力计算， 得到具有 多尺度维度的特 征图片； 通过损失函数对具有 多尺度维度的特 征图片进行损失计算， 得到最终损失值； 根据最终损失值更新神经网络模型， 构建船舶检测模型； 基于船舶检测模型对待测图片进行检测， 得到检测结果。 2.根据权利要求1所述基于自适应数据增强的船舶检测方法， 其特征在于， 所述通过摄 像头获取图片数据集并进行 数据增强处 理， 得到增强后的图片这 一步骤， 其具体包括： 通过摄像头获取图片数据集； 根据图片数据集抽取图片， 得到第一图片和第二图片； 对第一图片中的船舶图像进行 标注处理并裁剪， 得到增强素 材； 将增强素 材按照预设规则粘贴至第二图片， 得到增强后的图片。 3.根据权利要求2所述基于自适应数据增强的船舶检测方法， 其特征在于， 所述对第 一 图片中的船舶图像进行 标注处理并裁剪， 得到增强素 材这一步骤， 其具体包括： 根据船舶检测框对第一图片中的船舶图像进行标注处理， 得到带标注的船舶图像， 所 述船舶检测框带有检测标签； 对带标注的船舶图像进行裁 剪处理， 得到裁剪图像； 根据船舶检测框的检测标签判断裁剪图像是否被截断， 得到被截断的裁剪图像和未被 截断的裁 剪图像； 整合被截断的裁 剪图像和未被截断的裁 剪图像， 得到增强素 材。 4.根据权利要求3所述基于自适应数据增强的船舶检测方法， 其特征在于， 所述将增强 素材按照预设规则粘贴至第二图片， 得到增强后的图片这 一步骤， 其具体包括： 所述预设规则包括在第 二图片选择粘贴区域、 对增强素材进行放缩处理和对增强素材 的粘贴位置进行判断； 判断到增强素材为被截断的裁剪 图像， 选择粘贴在第二图片的边缘， 得到边缘目标粘 贴位置； 判断到增强素材为未被截断的裁剪 图像， 在第二图片上随机选择一个位置， 得到目标 粘贴的中心点； 判断到增强素 材的尺寸大于预设尺寸， 对增强素 材进行缩小处 理； 判断到增强素材粘贴位置的交比值大于或等于预设值时， 重新选择增强素材粘贴位 置， 直至判断到增强素材粘贴位置的交比值小于预设值时， 将增强素材粘贴至第二图片， 得 到增强后的图片。 5.根据权利要求4所述基于自适应数据增强的船舶检测方法， 其特征在于， 所述基于神 经网络模型， 对增强后的图片进行图片特征提取处理， 得到特征图片这一步骤， 其具体包 括： 所述神经网络模型包括四个阶段层， 每个阶段层包括若干个残差块， 每个残差块包括 第一卷积层、 第二卷积层、 第一批归一 化层、 第二批归一 化层、 线性整流层和下采样层； 通过卷积计算对增强后的图片进行 特征提取处 理， 得到特 征图片。权　利　要　求　书 1/3 页 2 CN 114627415 A 26.根据权利要求5所述基于自适应数据增强的船舶检测方法， 其特征在于， 所述对特征 图片进行多尺度维度注意力计算， 得到具有 多尺度维度的特 征图片这 一步骤， 其具体包括： 基于扩展维数 方法对特 征图片进行通道维度提升处 理， 得到多维度特 征图片； 基于通道加权方法对多维度特 征图片进行注意力值计算， 得到多尺度特 征图片； 基于维度融合方法对多尺度特征图片进行融合处理， 得到具有多尺度维度的特征图 片。 7.根据权利要求6所述基于自适应数据增强的船舶检测方法， 其特征在于， 所述通过损 失函数对具有多尺度维度的特征图片进行损失计算， 得到最终损失值这一步骤， 其具体包 括： 所述损失函数包括热力图损 失函数、 中心点偏移值损 失函数、 长宽预测损 失函数和长 宽比损失函数； 通过热力图损 失函数、 中心点偏移值损 失函数、 长宽预测损 失函数和长宽比损 失函数 分别对具有多尺度维度的特征图片进 行损失计算， 得到热力图损失值、 中心 点偏移损失值、 长宽比预测损失值和长 宽比损失值； 整合热力图损失值、 中心点偏移损失值、 长宽比预测损失值和长宽比损失值， 得到最终 损失值。 8.根据权利要求7所述基于自适应数据增强的船舶检测方法， 其特征在于， 所述长宽预 测损失函数表示如下： 上式中， Lsize表示长宽预测损失值， 表示预测的长 宽， sk表示真实的标签。 9.根据权利要求8所述基于自适应数据增强的船舶检测方法， 其特征在于， 所述长宽比 损失函数表示如下： 上式中， LRatio、 表示长宽比损失值， x、 y表示热力图上的坐标点， c表示目标类别， 表示检测目标的预测长度， 表示检测目标的预测宽度， Hxyc表示检测目标的真实 长度， Wxyc表示检测目标的真实宽度。 10.基于自适应数据增强的船舶检测系统， 其特 征在于， 包括以下模块： 增强模块， 用于通过摄 像头获取图片数据集并进行 数据增强处 理， 得到增强后的图片； 特征提取模块， 基于神经网络模型， 对增强后的图片进行图片特征提取处理， 得到特征 图片； 多尺度维度计算模块， 用于对特征图片进行多尺度维度注意力计算， 得到具有多尺度 维度的特 征图片； 损失计算模块， 用于通过损 失函数对具有多尺度维度的特征图片进行损 失计算， 得到 最终损失值；权　利　要　求　书 2/3 页 3 CN 114627415 A 3