1、2023 03 10计算机应用,Journal of Computer Applications2023,43(3):923-929ISSN 10019081CODEN JYIIDUhttp：/基于改进YOLOvYOLOv5 5的轻量级船舶目标检测算法李佳东1，2*，张丹普2，范亚琼2，杨剑锋2（1.中国航天科工集团第二研究院，北京 100039；2.北京航天长峰股份有限公司 北京航天长峰科技工业集团有限公司，北京 100039）（通信作者电子邮箱tiny_）摘要：针对海上船舶目标检测准确率不高的问题，提出一种基于改进 YOLOv5的轻量级船舶目标检测算法YOLOShip。首先将空洞卷积与通道
2、注意力（CA）引入空间金字塔快速池化（SPPF）模块，以融合不同尺度的空间特征细节信息，强化语义信息，提升区分前景与背景的能力；其次将协同注意力与轻量化的混合深度卷积引入特征金字塔网络（FPN）和路径聚合网络（PAN）结构中，以强化网络中的重要特征，获取含有更多细节信息的特征，并提升模型检测能力及定位精度；然后考虑到数据集中目标分布不均匀及尺度变化相对较小的特点，在修改锚框，减少检测头数量以精简模型的同时进一步提升模型性能；最后，引入更加灵活的多项式损失（PolyLoss）以优化二元交叉熵损失（BCE Loss），提升模型收敛速度及模型精度。在SeaShips数据集上的实验结果表明，相较于YO
3、LOv5s，YOLOShip的精确率、召回率、mAP0.5与mAP0.5：0.95分别提升4.2、5.7、4.6和8.5个百分点，能在满足检测速度要求的同时得到更优的检测精度，有效地实现了高速、高精度的船舶检测。关键词：船舶检测；YOLOv5；注意力机制；空洞卷积；混合深度卷积中图分类号：TP183 文献标志码：ALightweight ship target detection algorithm based on improved YOLOv5LI Jiadong1，2*，ZHANG Danpu2，FAN Yaqiong2，YANG Jianfeng2（1.The 2nd Institut
4、e of China Aerospace Science and Industry Corporation，Beijing 100039，China；2.Changfeng Science Technology Industry Group Company Limited，Beijing Aerospace Changfeng Company Limited，Beijing 100039，China）Abstract:Aiming at the problem of low accuracy of ship target detection at sea，a lightweight ship
5、target detection algorithm YOLOShip was proposed on the basis of the improved YOLOv5.Firstly，dilated convolution and channel attention were introduced into Spatial Pyramid Pooling-Fast（SPPF）module，which integrated spatial feature details of different scales，strengthened semantic information，and impr
6、oved the model s ability to distinguish foreground and background.Secondly，coordinate attention and lightweight mixed depthwise convolution were introduced into Feature Pyramid Network（FPN）and Path Aggregation Network（PAN）structures to strengthen important features in the network，obtain features wit
7、h more detailed information，and improve model detection ability and positioning precision.Thirdly，considering the uneven distribution and relatively small scale changes of targets in the dataset，the model performance was further improved while the model was simplified by modifying the anchors and de
8、creasing the number of detection heads.Finally，a more flexible Polynomial Loss（PolyLoss）was introduced to optimize Binary Cross Entropy Loss（BCE Loss）to improve the model convergence speed and model precision.Experimental results show that on dataset SeaShips，in comparison with YOLOv5s，YOLOShip has
9、the Precision，Recall，mAP0.5 and mAP0.5：0.95 increased by 4.2，5.7，4.6 and 8.5 percentage points.Thus，by using the proposed algorithm，better detection precision can be obtained while meeting the requirements of detection speed，effectively achieving high-speed and high-precision ship detection.Key word
10、s:ship detection;YOLOv5(You Only Look Once version 5);attention mechanism;dilated convolution;mixed depthwise convolution0 引言 近年来智能光电监控在海洋监控中发挥着越来越重要的作用，利用图像视觉和神经网络算法实现海上船舶目标检测已成为重要的应用方向和研究热点。船舶检测是一种典型的目标检测问题。基于深度学习的目标检测算法主要分为两类：一类是以 R-CNN（Regions with Convolutional Neural Network）为代表的二阶段算法，但速度较慢，无法
11、满足船舶检测的实时性要求；另一类是以 SSD（Single Shot MultiBox Detector）和 YOLO（You Only Look Once）为代表的一阶段算法，虽然可以满足实时性要求，但检测精度较低。目前，这两类算法均已应用于船舶检测。例如，齐亮等1基于 Faster R-CNN，通过图像降尺度、场景窄化等方法减少船舶检测的时间；但是由于Faster R-CNN等两阶段算法在检测速度上的缺陷，依旧无法达到实时要求。同两阶段算法相比，一阶段算法虽然检测精度略低，但是在速度上有极大提升，做到了文章编号：1001-9081（2023）03-0923-07DOI：10.11772/j
12、.issn.1001-9081.2022071096收稿日期：20220728；修回日期：20220921；录用日期：20220921。基金项目：国家重点研发计划项目（2020YFC0833406）。作者简介：李佳东（1998），男，河北邯郸人，硕士研究生，主要研究方向：深度学习、图像处理；张丹普（1986），女，河南平顶山人，高级工程师，博士，主要研究方向：视频智能分析、大数据分析；范亚琼（1984），女，山西祁县人，研究员，硕士，主要研究方向：图像处理、数据分析挖掘；杨剑锋（1991），男，四川成都人，硕士，主要研究方向：图像处理、机器学习。第 43 卷计算机应用速度与精度的较好折中，在工
13、业界各种生产环境中应用广泛。Sun等2在 SSD的基础上，通过空洞卷积与多尺度特征融合等方法提升了检测效果。和SSD相比，YOLO是一种不断利用视觉领域最新研究成果进行持续迭代优化的目标检测算法。段敬雅等3针对YOLOv2检出率和识别率较低的问题，引入支持向量机对检出的目标进行分类，大幅提高了检出率和识别率。盛明伟等4基于 YOLOv3，引入 Mixup 数据增强、注意力机制、完全交 并 比 损 失（Complete Intersection over Union Loss，CIoU Loss）、融合了残差连接的特征金字塔、显著性检测等策略，以提高检测的精确率和召回率。Chen 等5在 YOL
14、Ov3 的基础上引入注意力机制，以提升模型在复杂背景下的特征提取能力；同时构建特征增强模块，并将它应用于特征融合部分，在增强相应特征层的感受野大小和特征提取网络的关联度的同时，增强了底层特征语义信息。Li等6在YOLOv3的基础上，引入注意力机制，并使用卷积操作替换池化操作，提高了小目标的检测能力。孔刘玲等7在YOLOv4的基础上，改进K均值聚类算法重新设计先验锚框，并使用数据增强方法扩充不平衡数据集的小样本数量，以提高各类船舶目标检测的准确性，最后引入软非极大值抑制（Softer Non-Maximum Suppression，Softer-NMS）后处理，提升了目标检测器对密集船舶的检测能
15、力和定位精度。Han 等8在 YOLOv4 的基础上，首先对空间金字塔池化（Spatial Pyramid Pooling，SPP）模块9引入空洞卷积以提升模型对小型船舶空间信息的获取能力，然后使用注意力机制和残差思想改进特征金字塔进行，提升特征提取能力，最后在检测时通过融合卷积核提升推理速度。Zhou等10在YOLOv511的基础上，在骨干网络中使用混合深度卷积替代普通卷积运算并引入协同注意力模型，同时利用焦点损失（Focal Loss）12和CIoU Loss提升算法的检测能力。虽然上述算法在将通用目标检测任务移植到船舶目标检测的过程中针对船舶自身的特点已经作了一定优化，但是检测能力仍旧存
16、在不足。部分原因在于船舶目标普遍偏大，然而很多研究的目的在于提升对小目标的检测能力。但是海岸上楼房、工厂、树木等背景信息对海岸附近的大型船舶干扰严重，此时需要保留更加丰富的语义信息及更大的感受野才能更好地定位大型目标。同时上述算法也未考虑目标尺度分布不均衡的数据集，直接使用K均值聚类算法容易导致锚框分配不均衡。当前研究的检测模型以大型模型为主，模型参数较多、对设备要求高，亟需一种对硬件性能要求低的轻量级模型，能够更方便地部署在低配置计算设备上以高效完成船舶检测任务。针对当前船舶目标检测存在的上述问题，本文构建了一种 基 于 改 进 YOLOv5 的 轻 量 级 船 舶 目 标 检 测 算 法YOLOShip。对于当前船舶检测模型通常较大、对设备要求较高的问题，YOLOShip对YOLOv5的最轻量级模型YOLOv5s进行改进。针对模型检测能力不足的问题，YOLOShip通过引入空洞卷积、轻量级的混合深度卷积、注意力机制等方法，保留更多细节信息、扩大感受野、强化更加重要的信息，进而达到提升模型召回率及定位精度的目的。针对数据集中目标尺度分布不均衡及尺度变化小的特点，对数据集进行均匀化处理
