针对水域场景夜间能见度极低,难以实现人员目标检测与定位的问题,结合红外热成像技术与深度学习目标检测算法,研究了一种黑暗环境下水域人员目标检测方法。经过多场景实地采集,自主构建了一套热成像水域场景下的人员目标数据集IR-YZ。...针对水域场景夜间能见度极低,难以实现人员目标检测与定位的问题,结合红外热成像技术与深度学习目标检测算法,研究了一种黑暗环境下水域人员目标检测方法。经过多场景实地采集,自主构建了一套热成像水域场景下的人员目标数据集IR-YZ。在对比经典目标检测方法在IR-YZ数据集上的性能的基础上,针对热成像特点与水域环境特点,提出了一种增强型轻量级水上目标检测网络IWPT-YOLO(infrared water person target-YOLO)。实验结果表明,IWPT-YOLO算法具有精确、快速、简洁等优势,其模型大小为93 MB,平均精度mAP达到了85.34%,检测速度达到了20.975 FPS,比经典算法YOLOv3网络与SSD网络在模型大小、平均精度与检测速度上均有提高,验证了IWPT-YOLO算法对水域场景下的热成像人员目标具有更好的检测性能,更明显的优势。展开更多
文摘针对水域场景夜间能见度极低,难以实现人员目标检测与定位的问题,结合红外热成像技术与深度学习目标检测算法,研究了一种黑暗环境下水域人员目标检测方法。经过多场景实地采集,自主构建了一套热成像水域场景下的人员目标数据集IR-YZ。在对比经典目标检测方法在IR-YZ数据集上的性能的基础上,针对热成像特点与水域环境特点,提出了一种增强型轻量级水上目标检测网络IWPT-YOLO(infrared water person target-YOLO)。实验结果表明,IWPT-YOLO算法具有精确、快速、简洁等优势,其模型大小为93 MB,平均精度mAP达到了85.34%,检测速度达到了20.975 FPS,比经典算法YOLOv3网络与SSD网络在模型大小、平均精度与检测速度上均有提高,验证了IWPT-YOLO算法对水域场景下的热成像人员目标具有更好的检测性能,更明显的优势。
