(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 20221098132 2.3 (22)申请日 2022.08.16 (71)申请人 大连海事大学 地址 116026 辽宁省大连市高新园区凌海 路1号 (72)发明人 宁君　张雪　李伟　单雄飞　 (74)专利代理 机构 大连东方专利代理有限责任 公司 21212 专利代理师 高意　李洪福 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/82(2022.01) G06V 10/762(2022.01) G06V 10/20(2022.01) G06N 3/08(2006.01) (54)发明名称 一种融合MSRCP预处理算法与改进YOLOv5的 雾天船舶检测方法 (57)摘要 本发明提供一种融合MSRCP预处理算法与改 进YOLOv5的雾天船舶检测方法， 属于深度学习技 术领域， 本发明方法包括： 对采集到的雾天船舶 图像数据采用MSRCP算法进行图像预处理； 将预 处理的图像进行标注， 构建成数据集； 对网络进 行改进， 采用改进 k‑means聚类方法设计 先验框， 再使用遗传变异算法对获得的先验框进行遗传 变异； 在网络主体部分采用了SoftPool池化替换 原来的MaxPool池化； 利用数据集对改进的 YOLOv5网络进行训练， 获取基于改进YOLOv5网络 的检测模型以及权重文件； 利用训练好的网络模 型对获取到的图像进行识别， 得到预测结果。 本 发明能够实现对海上雾天环境下船舶 的实时检 测， 有效解决了雾天环境下对于远处小目标船舶 检测时召回率、 检测精度低的问题。 权利要求书2页 说明书8页 附图6页 CN 115471741 A 2022.12.13 CN 115471741 A 1.一种MSRCP预处理算法与改进YOLOv5的雾天船舶检测方法， 其特征在于， 包括如 下步 骤： S1、 采集海上雾天船舶图像数据， 并对图像进行MSRCP预处 理， 得到图片数据集； S2、 对得到的数据集进行 标注， 建立专有数据集； S3、 对网络进行改进， 采用改进k ‑means聚类方法设计先验框， 再使用遗传变异算法对 获得的先验框进行遗传变异； S4、 构建改进YOLOv5网络模型， 在网络主体部分采用了SoftPool池化替换原来的 MaxPool池化； S5、 利用数据集对改进的YOLOv5网络进行训练， 获取基于改进YOLOv5网络的检测模型 以及权重文件； S6、 利用训练好的网络模型对获取到的图像进行检测， 得到预测结果。 2.根据权利要求1所述的MSRCP预处理算法与改进YOLOv5的雾天船舶检测方法， 其特征 在于， 所述步骤S1中采集海上雾天船舶图像数据， 并对图像进行MSRCP预处理， 得到图片数 据集的具体实现过程如下： S11、 准备图片， 图像数据集包括但不限于新加坡 海事数据集； S12、 将带雾图像输入到 MSRCP算法当中， 得到经 过处理的图像。 3.根据权利要求1所述的MSRCP预处理算法与改进YOLOv5的雾天船舶检测方法， 其特征 在于， 所述 步骤S2中对得到的数据集进行 标注， ， 建立专有数据集的具体实现过程如下： 对每个船的种类进行区分并用标注框进行打标， 得到包含不同种类目标框的图片数据 集。 4.根据权利要求1所述的MSRCP预处理算法与改进YOLOv5的雾天船舶检测方法， 其特征 在于， 所述步骤S3中的对网络进行改进， 采用k ‑means聚类方法设计先验框， 再使用遗传变 异算法对获得的先验框进行遗传变异的具体实现过程如下： S31、 将标注好的目标边框 长宽输入到聚类算法当中； S32、 算法随机 选择九个样本作为簇的中心； S33、 计算每 个样本离每个簇的距离1 ‑IOU； S34、 计算每 个样本距离最近的簇中心， 并分配到 离它最近的簇中； S35、 根据每 个簇中的样本 重新计算簇中心， 这里使用的是计算中值； S36、 重复执 行步骤S34到步骤S3 5， 直到每 个簇中元 素不再发生变化； S37、 使用遗传算法随机对锚框的宽高进行变异， 使用适应度函数对锚框进行适应度的 计算并进 行评估， 如果变异后效果变得更好， 就将变异后的结果赋值给锚框， 如果变异后效 果变差就跳过， 默认变异10 00次； S38、 将最终变异得到的锚框按照面积进行排序并返回。 5.根据权利要求1所述的MSRCP预处理算法与改进YOLOv5的雾天船舶检测方法， 其特征 在于， 所述步骤S4中， 构建改进YOLOv5网络模 型， 在网络主体部分采用SoftPool池化替换原 来的MaxPo ol池化的具体实现过程如下： 将SPP结构块中的MaxPo ol池化替换为SoftPo ol池化， SoftPo ol池化的定义如下：权　利　要　求　书 1/2 页 2 CN 115471741 A 2其中， wi表示该激活的自然指数与邻域R内所有激活的自然指数之和的比值。 6.根据权利要求1所述的MSRCP预处理算法与改进YOLOv5的雾天船舶检测方法， 其特征 在于， 所述步骤S5中， 利用数据集对改进的YOLOv5网络进 行训练， 获取基于改进YOLOv5网络 的检测模型以及权 重文件的具体实现过程如下： S51、 设置合 适的实验参数训练网络； S52、 将数据集 中的图像输入到输入端， 输入端对图像进行mosaic数据增强和图片归一 化处理， 将训练的图片归一 化为640*640大小； S53、 经过B ackbone部分， FOCUS结构对输入目标的维度进行切片操作， CSP结构对图片 进行卷积操作， 获得 特征图； S54、 经过Neck部分对特征图进行特征信息提取， 在Neck部分中图片先进行上采样来提 取图像特 征， 再进行 下采样融合 不同尺度的特 征信息； S55、 预测端对融合特征图的每个网格输出置信度和位置信息， 最后通过非极大抑制 NMS筛选出最终的预测框 。 7.根据权利要求1所述的MSRCP预处理算法与改进YOLOv5的雾天船舶检测方法， 其特征 在于， 所述步骤S 6中， 利用训练好的网络模型对获取到的图像进 行识别， 得到预测结果的具 体实现过程如下： S61、 得到训练好的权值文件， 将测试集图像输入网络中进行检测； S62、 得到检测目标的位置和类别。权　利　要　求　书 2/2 页 3 CN 115471741 A 3