基于Faster R-CNN的海域监管预警方法

针对传统实地调查取证、人工对比遥感影像等高成本、低效率的海域监管方式无法满足当前监管需求的问题,利用星遥感影像和深度学习算法提出了一种针对大范围的、快速动态的用海综合管控手段.依托海量影像及多源海洋基础数据,在研究多规融合分析的基础上,基于Faster R-CNN(Regions with Convolutional Neural Networks features)算法,建立人工智能识别模型,实现对海上目标、非法用海占海与破坏生态环境行为的自动识别与预警.分析了 Faster R-CNN算法原理,采用不同年份、不同卫星、不同分辨率的卫星遥感数据,针对5种常见海洋目标,建立了10 000多张图片样本库,利用VGG16和RestNet101两种网络模型进行了训练和测试.实验结果表明,RestNet101模型计算量略大于VGG16模型,但其具有更强的复杂特征提取能力,更适合于复杂海上目标的检测与识别;对本文中特定的5类目标总体识别准确率在80％以上.利用该模型结合海洋规划数据,实现了大范围海域的快速自动监管和非法用户行为预警,为海洋智能化监管提供了一种新思路.     

基于注意力机制的SK-YOLOv5海洋目标检测分类算法

基于遥感影像的海洋目标图像具有多尺度、形状变化大、颜色暗淡、目标边界不清、图像模糊等特点，需要在现有的目标检测算法上进行改进，以满足遥感影像海洋目标检测及分类需要。针对这些问题，在You Only Look Once version 5 (YOLOv5)的网络架构中引入Selective Kernel Networks (SKNet)注意力模块，提出一种新的SK-YOLOv5网络，增强网络对多尺度复杂海洋目标的特征提取和自适应能力。经对比实验测试，在相同的海洋目标数据集上，改进后的网络比原网络整体检测及分类准确率提升了约9%。