叶 浩, 李建祯, 杨晓飞

(江苏科技大学电子信息学院, 江苏 镇江 212003)

随着内河运输的发展, 港口愈发拥挤,实时监管航道及港口以保障运输通畅的需求日益迫切．为进一步提高航道及港口的智能化管理水平,及时应对突发状况,可利用无人艇或无人机对无闭路电视监控系统覆盖的区域进行探查, 但须确保无人艇或两栖航行器能自主航行或降落至目标区域, 故水面目标的自主检测和识别尤为重要．目标检测的代表性算法主要有以区域卷积神经网络(region-convolutional neural networks, R-CNN)[1]为基础的Fast-RCNN和Faster-RCNN算法[2], Redmon等提出的YOLO系列算法[3], 以及SSD算法[4]．其中, YOLOv3算法在船舶检测领域的应用最为广泛．王玺坤等[5]通过在YOLOv3上加入特征映射模块和残差模块,实现对舰船的有效检测; 胡昌华等[6]通过重新设计YOLOv3网络的残差单元并改进特征金字塔, 实现复杂环境下雷达图像舰船小目标的准确检测; Braun等[7]通过增加YOLOv3算法的数据集样本多样性, 提高了深度学习目标检测算法的性能; Lee等[8]提出一种基于YOLOv3的清洁机器人污染物检测系统, 能够有效识别污染物类型, 但缺乏现场测试．YOLOv3检测算法能够准确检测目标, 但是由于其网络复杂、计算量大,不能满足实时检测的要求．

针对水面目标检测的实时性和准确性问题, 本文结合MobileNetV3[9]网络, 拟提出一种改进的YOLOv3算法, 通过多尺度特征融合进行模型压缩, 减少目标检测模型规模, 以期快速完成水面目标分类,实现船舶的有效管理,为后续船舶自主驾驶研究提供理论依据……