基于YOLOv3的船只检测算法研究

作者：李静; 鲜林; 王海江

来源：成都信息工程大学学报, 2023, 38(01): 37-43.

DOI：10.16836/j.cnki.jcuit.2023.01.006

• 目标检测
• 深度学习
• 先验框
• K-means聚类

针对长江流域错综复杂的生态环境以及执法部门人员短缺对长江10年禁渔令实施的限制情况;通过智能视频监控系统对长江流域过往船只目标检测,对于判别船只有无违法捕捞行为具有重要意义。当前,传统的目标检测算法早已被检测效率更高、算法复杂度更低的深度学习方法替代;基于智能视频监控对于实时性的要求,采用YOLOv3作为目标检测模型,在兼顾检测精度的同时检测速度也更高。YOLOv3算法中,先验框作为目标检测算法的重要机制,影响着预测框的定位性能。在K-means聚类算法上进行改进,通过改变K值初始化随机选择不能获取全局最优解的情况,对K值选择时应用轮盘法,选择距离已经形成的聚类中心尽可能远的值作为新的K值,使各个聚类中心相对距离尽可能大,从而尽可能获得全局最优的聚类结果。实验结果表明,K-means优化后获得的先验框训练模型让船只目标检测性能更加优异,整体mAP提升了9.31%。

• 单位
  成都信息工程大学