(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210369885.7 (22)申请日 2022.04.08 (71)申请人 河海大学 地址 211100 江苏省南京市江宁区佛城西 路8号 (72)发明人 胡鹤轩　葛一帆　胡强　张晔　 袁子扬　许天霖　岳海洋　 (74)专利代理 机构 南京经纬专利商标代理有限 公司 32200 专利代理师 楼然 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于改进SSD算法的水上漂浮物检测识 别方法 (57)摘要 本发明公开了一种基于改进SSD算法的水上 漂浮物检测识别方法， 包括： 收集水上漂浮物数 据集， 对数据集进行上采样、 上池化及数据增强 预处理， 通过标签标注工 具LabelImg对数据集标 注， 得到适用于目标检测 网络训练的数据集； 搭 建融合残差网络的改进SSD算法， 并增加FPN和注 意力机制来加强算法对小目标的特征学习能力； 在原SSD网络的原始训练过程中添加冻结训练， 并对训练过程中涉及的激活函数和损失函数进 行优化， 提升预测框的置信度； 利用改进SSD算法 对训练集进行迭代训练， 得到效果最好的SSD网 络目标检测模 型。 本发明可以在保证高质量检测 的前提下， 有效解决传统水上漂浮物识别误差 大、 时间长的问题。 权利要求书2页 说明书7页 附图3页 CN 114782772 A 2022.07.22 CN 114782772 A 1.一种基于改进S SD算法的水 上漂浮物检测识别方法， 其特 征在于， 包括以下步骤： 步骤1、 收集水上漂浮物数据集， 对数据集进行上采样、 上池化以及数据增强的预处理， 通过标签标注工具Label Img对数据集标注， 得到适用于目标检测网络进行训练的数据集； 步骤2、 搭建融合残差网络的改进SSD算法， 并增加FPN特征金字塔和注意力机制对原 SSD网络的结构进行优化； 步骤3、 对原SSD网络的原始训练过程进行改进， 包括在训练过程中添加冻结训练、 对原 SSD网络的激活函数和损失函数进行替换； 步骤4、 将数据集送入到改进SSD算法， 并使用改进过后的训练过程对其进行多次迭代 训练， 得到效果 最好的SSD网络目标检测模型。 2.根据权利要求1所述的一种基于改进SSD算法的水上漂浮物检测识别方法， 其特征在 于， 步骤2 中， 所述的搭建融合残差网络的改进SSD算法， 并增加FPN特征金字塔和注意力机 制对原SSD网络的结构进行优化， 来加强算法对小目标的特 征学习能力， 其过程包括： 步骤2.1.根据原SSD网络的网络结构进行搭建： 其骨干网络VGG ‑16网络包括Conv1、 Conv2、 Conv3、 Conv4、 Conv5、 fc6和fc 7； 原SSD网络的特征提取网络包 括Conv4_3、 fc7和骨干 网络之外的Co nv8_2、 Co nv9_2、 Co nv10_2、 Co nv11_2； 步骤2.2.引入残差网络:首先在原SSD网络的骨干网络VGG ‑16中， 对于其 中的特征提取 层Conv4_3和fc7层， 分别在这两层与上一层网络之中引入ResNet残差结构网络的思想， 组 成了两个VGG‑16和ResNet网络结构； 步骤2.3.添加FPN特征金字塔： 对原SSD网络的六个特征提取层， 即骨干网络VGG ‑16里 的Conv4_3、 fc7， 以及骨干 网络之外的Conv8_2、 Conv9_2、 Conv10_2、 Conv11_2， 分别添加调 整后的FPN特征金字塔； 经此改进后的FPN结构可以进行跨层级连接， 将高层级特征跨层与 低层级特 征融合， 并且使用双线性插值代替临近插值； 步骤2.4.添加注意力机制： 对原SSD网络中添加CBAM模块， 在通道和空间两个方面对原 SSD网络进行优化； 在通道方面对原S SD网络进行通道 注意力方向的优化， 其公式如下： 其中， F代表特征层， AvgPool和MaxPool函数分别代表平均池化和最大池化操作， σ为 sigmoid操作， MLP为多层感知机操作， W0、 W1代表不同权 重； 在空间方面对原SSD网络进行空间注意力方向的优化， 关注点是区域的位置， 其公式如 下： 其中， f是 卷积操作， 7×7表示卷积核的大小； 根据CBAM模块的特性， 将对原SSD网络中骨干网络V GG‑16的Conv4_3和fc7特征层， 以及 骨干网络之外 的Conv8_2、 Conv9_2、 Conv10_2、 Conv11_2特征提取网络添加注意力机制模 块。 3.根据权利要求2所述的一种基于改进SSD算法的水上漂浮物检测识别方法， 其特征在权　利　要　求　书 1/2 页 2 CN 114782772 A 2于， 所述的残差网络是指： 对于刚开始输入的x， 按照常规的神经网络进行权值叠加并通过 激活函数， 而后再次经过权值叠加， 再把输入的信号和此时的输出叠加而后再通过激活函 数， 由此而 形成的网络； 残差网络与常规神经网络的不同在于， 残差网络多了一个直接到达 输出后的连线。 4.根据权利要求1所述的一种基于改进SSD算法的水上漂浮物检测识别方法， 其特征在 于， 在步骤3中， 所述的对原S SD网络的激活函数和损失函数进行替换的过程分别为： 步骤3.2.激活函数的替换： 原SSD网络中使用的激活函数为ReLu激活函数， 将其替换为 SeLu激活函数； 缩放指数型线性单元激活函数使样本分布 回归零均值和单位方差， 其在指 数型线性单 元上乘以大于1的lambda； Selu的表达式如下： 其中： λ＝1.0 507， α ＝1.6732； 步骤3.3.损失函数的替换： 原SSD网络中的损失函数采用多任务损失函数， 包括位置损 失函数Lloc和置信度损失函数Lconf两部分的加权； 现将原SSD网络中的损失函数替换为 focal loss， 此损失函数 是在标准交叉熵损失基础上修改得到的； 其公式如下： FL(pt)＝‑(1‑pt)γlog(pt)；        (4) 其中： 代表样本为真的概 率。 5.根据权利要求1所述的一种基于改进SSD算法的水上漂浮物检测识别方法， 其特征在 于， 步骤4中， 所述的将数据集送入到改进SSD算法， 并使用改进 过后的训练过程对其进 行多 次迭代训练， 得到效果 最好的SSD网络目标检测模型， 具体为： 步骤4.1.将步骤1中标注完成的图像按6∶2 ∶2划分为训练集、 测试集和验证集； 步骤4.2.利用训练集中的图片进行模型的训练； 网络学习模型的训练基于Pytorch的 深度学习框架， 使用Adam优化器优化训练的网络； 步骤4.3.训练的部分参数为： 输入图片尺寸为300 ×300， 模型的初始学习率为5 ×10‑ 4， 在10个epochs之后学习率衰减为5 ×10‑5， batch size设置为8； 训练时间成本在10个小 时左右； 步骤4.4.在500次迭代完成之后， 利用测试集进行测试， 选取mAP值最高的为效果最好 的SSD网络目标检测模型。权　利　要　求　书 2/2 页 3 CN 114782772 A 3