为加强对河道监控视频图像中散体物料采运船舶的监测和跟踪,从而辅助实现智能、高效的河道采砂监管和散体物料调度,基于You Only Look Once version 3(YOLOv3)算法及迁移学习提出一种河道散体物料船舶目标检测算法。首先使用COCO数据集...为加强对河道监控视频图像中散体物料采运船舶的监测和跟踪,从而辅助实现智能、高效的河道采砂监管和散体物料调度,基于You Only Look Once version 3(YOLOv3)算法及迁移学习提出一种河道散体物料船舶目标检测算法。首先使用COCO数据集训练初始的YOLOv3算法,得到模型的预训练权重;然后对从广西重要河道周围监控设备采集的采砂运砂船舶影像数据进行图像处理,得到高质量船舶数据集;最后以此数据集为驱动,利用迁移学习得到的预训练权重来训练针对河道采砂船等重点目标的YOLOv3检测模型。该模型采用Darknet-53作为主干网络,并融合了多尺度的特征图,从而实现对小、中、大等各类目标的检测。实验结果表明:该算法在测试集上的平均精度和检测速度分别达到98.00%和17.78 fps,对提高河道采砂监管效能和实现散体物料智能调度具有现实意义。展开更多
文摘为加强对河道监控视频图像中散体物料采运船舶的监测和跟踪,从而辅助实现智能、高效的河道采砂监管和散体物料调度,基于You Only Look Once version 3(YOLOv3)算法及迁移学习提出一种河道散体物料船舶目标检测算法。首先使用COCO数据集训练初始的YOLOv3算法,得到模型的预训练权重;然后对从广西重要河道周围监控设备采集的采砂运砂船舶影像数据进行图像处理,得到高质量船舶数据集;最后以此数据集为驱动,利用迁移学习得到的预训练权重来训练针对河道采砂船等重点目标的YOLOv3检测模型。该模型采用Darknet-53作为主干网络,并融合了多尺度的特征图,从而实现对小、中、大等各类目标的检测。实验结果表明:该算法在测试集上的平均精度和检测速度分别达到98.00%和17.78 fps,对提高河道采砂监管效能和实现散体物料智能调度具有现实意义。
