运用神经网络图像特征提取联合SSA-SVM分类算法，对通航区域图像中的典型船舶目标进行识别以实现船舶目标的自动分类。首先通过摄像机获得通航区域的高分辨率图像，以AlexNet深度学习网络为基础经迁移学习后提取典型船舶目标特征，获得4种船舶类型、共5505024个特征数的典型船舶目标特征矩阵。以特征矩阵为训练依据训练SSA-SVM算法，在种群寻优下获得最佳识别参数，经训练得出在小数据集下具有较强辨识能力的SSA-SVM船舶目标识别模型。实验表明，相比于深度学习的大数据集驱动识别算法，使用AlexNet特征提取的SSA-SVM算法能够在数据量较少的情况下对散货船、集装箱船等典型船舶目标进行有效识别，识别准确率为88.87%、训练时长为1856 s，满足实用需求，为水上监管提供了可靠的技术支持。
The neural network image feature extraction combined with SSA-SVM classification algorithm is used to identify typical ship targets in the navigable area images to achieve automatic classification of ship targets. Firstly, the high-resolution image of the navigable area is obtained by the camera, and the typical ship target characteristics matrix of 4 types of ship types and 5505024 features are obtained after transfer learning based on the AlexNet deep learning network. Based on the feature matrix, the SSA-SVM algorithm is trained, the optimal identification parameters are obtained under the population optimization, and the SSA-SVM ship target recognition model with strong recognition ability under the small data set is trained. Experiments show that compared with the large dataset-driven recognition algorithm of deep learning, the SSA-SVM algorithm using AlexNet feature extraction can effectively identify typical ship targets such as bulk carriers and container ships with less data volume, with an identification accuracy of 88.87% and a training time of 1856 s, which meets practical needs and provides reliable technical support for water supervision.
2023,45(8): 158-164 收稿日期：2022-04-25
DOI：10.3404/j.issn.1672-7649.2023.08.031
分类号：TP753
基金项目：国家自然科学基金资助项目（52001243，52172327）；集美大学航海学院—船舶辅助导航技术国家地方联合工程研究中心开放基金资助项目（JMCBZD202005）；工信部高技术船舶研发专项（MC-201920-X01）
作者简介：马玉鹏(1996-),男,硕士研究生,研究方向为船舶目标感知
参考文献：
[1] 许小伟, 余雪靖, 严运兵, 等. 一种虚拟场景车辆检测与测距方法[J]. 河南科技大学学报(自然科学版), 2020, 41(2): 34–39+6
[2] 郑继冬. 视频监控中船只目标检测与遮挡处理的研究[D]. 大连: 大连海事大学, 2013.
[3] 李英文. 计算机视觉在内河船舶目标监测技术的应用[J]. 舰船科学技术, 2017, 39(24): 43–45
[4] 范钰萍. 基于机器视觉的接触网安全问题检测技术研究[D]. 南昌: 江西师范大学, 2020.
[5] 任永梅, 杨杰, 郭志强, 等. 基于三维卷积神经网络的点云图像船舶分类方法[J]. 激光与光电子学进展, 2020, 57(16): 230–238
[6] 郭战杰, 王晓莉. 基于图像处理和模糊神经网络理论的船舶分类研究[J]. 舰船科学技术, 2017, 39(18): 52–54
[7] 谷东亮, 徐晓刚, 金鑫. 一种优化的运动目标检测与跟踪算法[J]. 舰船电子工程, 2017, 37(11): 40–43
[8] 陆峰, 刘华海, 黄长缨, 等. 基于深度学习的目标检测技术综述[J]. 计算机系统应用, 2021, 30(3): 1–13
[9] 程有娥. 基于灰度迁移学习的交通卡口车尾检测算法[J]. 浙江工贸职业技术学院学报, 2021, 21(3): 47–51
[10] 陈永恒, 陈军, 罗维平. 基于改进DenseNet201网络的织物疵点检测算法[J]. 棉纺织技术, 2022, 50(3): 1–7
[11] 金汉均, 段贝贝. 基于深度视觉特征正则化的跨媒体检索研究[J]. 电子测量技术, 2018, 41(12): 114–118
[12] 时淑霞. 基于深度学习的驾驶关注区域检测方法研究[D]. 南昌: 江西师范大学, 2017.
[13] 黄敬宇. 融合t分布和Tent混沌映射的麻雀搜索算法研究[D]. 兰州: 兰州大学, 2021.
[14] 吴丁杰, 周庆兴, 温立书. 基于Logistic混沌映射的改进麻雀算法[J]. 高师理科学刊, 2021, 41(6): 10–15
[15] 肖浩, 廖祝华, 刘毅志, 等. 实际环境中基于深度Q学习的无人车路径规划[J]. 山东大学学报(工学版), 2021, 51(1): 100–107
[16] 钟桂凤, 庞雄文, 隋栋. 基于Word2Vec和改进注意力机制AlexNet-2的文本分类方法[J]. 计算机科学, 2022, 49(4): 288–293
[17] 刘野. 针对图像分类的对抗样本防御方法研究[D]. 重庆: 重庆理工大学, 2021.
