基于YOLOv5的红外船舶目标检测算法.pdfVIP

基于YOLOv5的红外船舶目标检测算法

摘要：针对红外船舶目标在海上复杂海天背景下检测困难，且数据集目标大小与锚框不符造成的算

法边界回归效果差、检测不准确等问题，提出了一种基于改进YOLOv5的红外船舶目标检测算法。首

先针对锚框与数据集目标形状不匹配问题，通过改变K-means++聚类算法选取簇中心的评价标准，使

用中位数代替平均数来决定簇中心，改进了锚框算法，使得锚框与船舶目标更加匹配,提高了算法的平

均检测精度。改进后的聚类算法得到的锚框更加符合目标的分布特点。其次针对CloU(Complete

intersectionoverunion)存在梯度爆炸、误检和漏检问题，通过改进边框回归损失函数中关于长宽比的

惩罚项提出了MIoU（Multivariateintersectionoverunion）回归损失函数，优化了算法的回归过程，提高

了算法的收敛速度和检测精度，避免了相似目标的误检和漏检。改进后的回归损失函数使边框损失降

低了1.5%。在红外船舶数据集上进行了消融实验和对比实验，消融实验结果表明文中改进算法的平

均检测精度值相较于标准YOLOv5算法提高了1.1%，对比实验结果表明文中改进算法相较于其他改

进YOLOv5算法具有更高的平均检测精度，验证了文中改进算法的优越性，提升了红外船舶目标的检测

效果。

关键词：目标检测；红外船舶目标；聚类算法；边框回归

0引言例如：莫文英[5]等人提出一种双通道图像分离结合局

部灰度动态范围显著映射算法进行舰船目标检测。

由于红外目标检测有着广泛的应用价值以及重

李林[6]等人提出了一种基于时间波动特征和空间结

要的研究价值，红外目标检测在计算机视觉领域受

构特征的新方法，用于密集太阳光场景下的红外船舶

到了极大地关注。其在地面目标检测、数字仪表读

检测。传统算法易于工程化，但是需要对不同场景建

数[2]、绝缘子检测[3]和红外制导系统[4]等民用和军用

立相应的模型，泛化性较差。

领域有着广泛的应用。其中，红外舰船目标检测在海

上救援、海上军事活动等方面都具有十分重要的意目前，主流的基于深度学习的目标检测算法可以

义。尽管大多数物体检测模型在各种检测任务中有分为两大类：两阶段算法和一阶段算法。其中，两阶

出色的效果，但在红外图像的目标检测中仍存在受环段的代表算法有R-CNN[7]和FasterR-CNN8]。两阶段

境影响干扰大，纹理细节特征不足等问题。目标检测算法的流程分别为候选区域提取、候选区域

红外目标检测算法分为传统红外目标检测算法的分类和候选区域的回归，相较于一阶段算法检测速

和基于深度学习的红外目标检测算法。传统目标检度较慢。一阶段的代表算法有SSD[9]和

测算法依赖基于图像特性的建模，通过建模将目标与YOLOL-12]系列。这类算法又被称为基于回归目标

背景分离，其在红外船舶检测方面有着广泛的应用。分析的目标检测算法，其将目标检测过程转化为目标

收稿日期：2023-01-05；修订日期：2023-02-25

红外与激光工程

第10期第52卷

位置和类别信息的回归问题。随着基于深度学习的PANet是底层金字塔结构，运用上采样的方式传递特

目标检测算法的迅速发展，其也被越来越多地使用在征并进行特征融合，从而获得特征图。

船舶目标检测算