張德春，李海濤，李 勛，張 雷

(1 青島科技大學(xué)信息科學(xué)技術(shù)學(xué)院，山東青島 266000；2 青島西海岸新區(qū)海洋發(fā)展局，山東青島 266200;3 青島勵(lì)圖高科信息技術(shù)有限公司，山東青島 266200)

漁船是確保漁業(yè)活動(dòng)順利進(jìn)行的基礎(chǔ)，但由于漁船因素的問(wèn)題，如捕撈漁船數(shù)量的急劇增加、不合理的捕撈方式等[1]，已嚴(yán)重影響到漁業(yè)資源的可持續(xù)發(fā)展[2]。漁船的海上生產(chǎn)是開(kāi)放式的，管理人員力量不足且手段落后，無(wú)法對(duì)漁船動(dòng)態(tài)進(jìn)行實(shí)時(shí)掌控，更不能及時(shí)發(fā)現(xiàn)并消除伏季休漁期私自出海捕撈這種違規(guī)行為，對(duì)這些安全隱患存在監(jiān)管盲區(qū)[3]。

基于深度學(xué)習(xí)的目標(biāo)檢測(cè)在近20年得到了飛速發(fā)展，主流的目標(biāo)檢測(cè)算法根據(jù)有無(wú)候選框生成階段分為雙階段和單階段目標(biāo)檢測(cè)算法兩類(lèi)。雙階段目標(biāo)檢測(cè)算法先對(duì)圖像提取候選框，然后基于候選區(qū)域做二次修正得到檢測(cè)結(jié)果[4]，代表算法有R-CNN系列[5-7]、AlexNet[8]；單階段目標(biāo)檢測(cè)算法直接對(duì)圖像進(jìn)行計(jì)算生成檢測(cè)結(jié)果，代表算法有SSD[9]和Yolo系列[10-14]，其中Yolo檢測(cè)框架在保證檢測(cè)準(zhǔn)確率的情況下同時(shí)滿足實(shí)時(shí)檢測(cè)的需求。船舶檢測(cè)是目標(biāo)檢測(cè)應(yīng)用領(lǐng)域的一種。Blosisid等[15]在大運(yùn)河交通監(jiān)控系統(tǒng)中，對(duì)航道中的船舶進(jìn)行檢測(cè)和跟蹤。Kim等[16]利用Faster R-CNN網(wǎng)絡(luò)和貝葉斯進(jìn)行船舶檢測(cè)和分類(lèi)。戚超等[17]將一個(gè)8層卷積神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)結(jié)合起來(lái)，提取卷積神經(jīng)網(wǎng)絡(luò)第一個(gè)全連接層的特征，訓(xùn)練支持向量機(jī)對(duì)運(yùn)輸船進(jìn)行分類(lèi)識(shí)別。閆河等[18]提出一種卷積神經(jīng)網(wǎng)絡(luò)(CNN)與極限學(xué)習(xí)機(jī)(ELM)相結(jié)合的分類(lèi)識(shí)別方法。李兆桐等[19]提出一種基于全卷積神經(jīng)網(wǎng)絡(luò)的船舶檢測(cè)算法SDNet進(jìn)行船舶檢測(cè)。宋娟娟等[20]提出基于深度學(xué)習(xí)的監(jiān)控視頻中船舶識(shí)別方法，降低了識(shí)別的錯(cuò)誤率。

本研究以進(jìn)出漁港的漁船為檢測(cè)目標(biāo)，采集1 900多張漁港高點(diǎn)監(jiān)控圖片，構(gòu)建漁船檢測(cè)數(shù)據(jù)集?；赮oloV5檢測(cè)網(wǎng)絡(luò)，首先通過(guò)Kmeans++算法對(duì)錨框重新聚類(lèi)[21]，選擇適合漁船數(shù)據(jù)集的錨框尺寸；然后在YoloV5的骨干網(wǎng)絡(luò)中融入CBAM注意力機(jī)制獲取更多細(xì)節(jié)特征；再采用BiFPN加權(quán)雙向特征金字塔網(wǎng)絡(luò)代替原先的FPN+PAN結(jié)構(gòu)，快速進(jìn)行多尺度特征融合；最后在檢測(cè)尺度上去掉大目標(biāo)的檢測(cè)尺度，增加更小目標(biāo)的檢測(cè)尺度，改用新的三個(gè)檢測(cè)尺度，提高了模型對(duì)小目標(biāo)漁船的檢測(cè)精度。

1 YoloV5算法原理

YoloV5具有速度快、靈活性高的特點(diǎn)[12]，由輸入端、Backbone、Neck和Head四個(gè)部分組成。輸入端的作用是對(duì)輸入的數(shù)據(jù)集進(jìn)行預(yù)先處理，包括Mosaic數(shù)據(jù)增強(qiáng)、自適應(yīng)錨框計(jì)算等操作。Backbone使用CSPDarknet53網(wǎng)絡(luò)，從輸入圖像中提取豐富的信息特征。Neck中的核心為特征金字塔(FPN)[22]和路徑聚合網(wǎng)絡(luò)(PAN)結(jié)構(gòu)，實(shí)現(xiàn)不同尺度特征信息的融合。Head是YoloV5的檢測(cè)結(jié)構(gòu)，輸出大、中、小三個(gè)不同尺寸的特征圖，分別對(duì)應(yīng)的是檢測(cè)小、中、大目標(biāo)。其中Backbone是YoloV5的骨干結(jié)構(gòu)，包括Foucs、Conv、C3、SPP等模塊。Focus模塊將輸入在縱向和橫向間隔切片再拼接，Conv包含卷積、正則化和激活層，C3包含N個(gè)殘差網(wǎng)絡(luò)Bottleneck，輸入的特征圖先是經(jīng)過(guò)1×1和3×3的卷積層，再將結(jié)果與輸入的特征進(jìn)行相加。SPP為空間金字塔池化層，SPP是進(jìn)行三種尺寸的最大池化操作，并將輸出結(jié)果進(jìn)行拼接。

2 改進(jìn)YoloV5漁船檢測(cè)算法

2.1 改進(jìn)YoloV5算法概述

為了在高點(diǎn)監(jiān)控漁船目標(biāo)場(chǎng)景中解決漏檢和誤檢的問(wèn)題，提出了一種基于改進(jìn)YoloV5的漁船目標(biāo)檢測(cè)模型，模型網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，本研究的主要改進(jìn)為：錨框尺寸的確定由Kmeans算法改為Kmeans++算法；在骨干網(wǎng)絡(luò)中添加CBAM機(jī)制加強(qiáng)特征提??；在Neck中由PANet網(wǎng)絡(luò)結(jié)構(gòu)改為BiFPN加強(qiáng)多尺度特征融合；將用于檢測(cè)小目標(biāo)的大尺度特征圖取代原本算法中的檢測(cè)大目標(biāo)的小尺度特征圖，提高對(duì)小目標(biāo)的檢測(cè)精度。

圖1 改進(jìn)YoloV5網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Network structure of imporved YoloV5 algorithm

2.2 骨干網(wǎng)絡(luò)改進(jìn)

在YoloV5的骨干網(wǎng)絡(luò)中引入CBAM注意力機(jī)制[23]，CBAM的通道注意力機(jī)制重點(diǎn)檢測(cè)目標(biāo)的內(nèi)容，空間注意力機(jī)制重點(diǎn)檢測(cè)目標(biāo)的位置，通過(guò)兩者結(jié)合可以使輸出信息更聚焦于重點(diǎn)特征信息，抑制一般特征的干擾，從而達(dá)到提高模型準(zhǔn)確率的目的。本研究將CBAM模塊融入第一個(gè)卷積后，并在CBAM模塊中先將特征輸入到通道注意力模塊再輸入到空間注意力模塊，得到最終生成的特征，如圖2所示。改進(jìn)后的骨干網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖2 CBAM注意力模塊結(jié)構(gòu)Fig.2 Structure of CBAM

圖3 融合CBAM模塊的YoloV5結(jié)構(gòu)Fig.3 YoloV5 incorporating CBAM Modules

2.3 特征金字塔改進(jìn)

BiFPN是加權(quán)雙向特征金字塔[24]，BiFPN主要思想有兩點(diǎn)：一是高效的雙向跨尺度連接，二是加權(quán)特征圖融合。運(yùn)用雙向融合四項(xiàng)，構(gòu)造自上而下、自下而上的雙向通道，對(duì)來(lái)自主干網(wǎng)絡(luò)不同尺度的信息，在不同尺度間進(jìn)行融合時(shí)通過(guò)上采樣和下采樣同一特征分辨率尺度，并在同一特征的原始輸入和輸出節(jié)點(diǎn)之間添加橫向連接，在不增加成本的情況下融合更多特征，另外將BiFPN視作一個(gè)基本單元，即BiFPN中一對(duì)路徑視為一個(gè)特征層，然后重復(fù)多次以得到更多高層特征融合，網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。

圖4 BiFPN結(jié)構(gòu)Fig.4 Structure of BiFPN

2.4 錨框優(yōu)化

YoloV5的先驗(yàn)錨框參數(shù)是基于COCO數(shù)據(jù)集進(jìn)行Kmeans聚類(lèi)算法進(jìn)行設(shè)定，不滿足漁船檢測(cè)的實(shí)際需要，所以要重新設(shè)計(jì)先驗(yàn)錨框的大小，本研究改用Kmeans++聚類(lèi)算法對(duì)先驗(yàn)錨框大小重新設(shè)計(jì)，與傳統(tǒng)的Kmeans聚類(lèi)算法[25]相比，Kmeans++優(yōu)化了初始聚類(lèi)的中心選取的方式，能顯著改善分類(lèi)結(jié)果的誤差以獲得更好的聚類(lèi)效果，獲得更適合小目標(biāo)數(shù)據(jù)集的錨框尺度，提高小目標(biāo)檢測(cè)的精度。本研究中針對(duì)大、中、小尺度分別取3個(gè)錨框，共9組錨框數(shù)據(jù)，因此聚類(lèi)簇?cái)?shù)k取9，再進(jìn)行了2 000次迭代之后，得到新的先驗(yàn)錨框尺度，經(jīng)過(guò)歸一化后如表1所示。

表1 先驗(yàn)錨框尺度Tab.1 A priori anchor frame size

錨框尺度計(jì)算的算法如下所示：

算法：錨框尺度優(yōu)化。

輸入：訓(xùn)練集的標(biāo)簽 (標(biāo)簽結(jié)構(gòu)：寬、高、類(lèi)別)。

輸出：錨框的寬、高數(shù)據(jù)。

1)對(duì)人工標(biāo)注的標(biāo)簽文件進(jìn)行解析，得到訓(xùn)練集包含的所有錨框的寬、高，寫(xiě)入數(shù)組N。

2)開(kāi)始遍歷所有的訓(xùn)練集樣本N。

3)讀取樣本的錨框?qū)?yīng)的圖像，得到圖像的寬、高。

4)將圖像的寬、高寫(xiě)入數(shù)組M。

5)結(jié)束遍歷。

6)//Kmeans++算法參數(shù)依次是所有樣本的寬高數(shù)組M、聚類(lèi)類(lèi)別數(shù)9、迭代次數(shù)2 000次。

7)Kmeans++(M,9,2000)。

8)Return 9組錨框的寬、高。

算法：Kmeans++。

輸入：所有樣本的寬高數(shù)組M，聚類(lèi)類(lèi)別數(shù)9、迭代次數(shù)2 000次。

輸出：錨框的寬、高數(shù)據(jù)。

1)從輸入的數(shù)據(jù)集中隨機(jī)選取一個(gè)樣本作為初始聚類(lèi)中心ci。

2)首先計(jì)算每個(gè)樣本與當(dāng)前已有聚類(lèi)中心之間的最短距離，用D(c)表示[26]。

4)重復(fù)第2、3步驟直到選出9個(gè)聚類(lèi)中心。

5)針對(duì)數(shù)據(jù)集中每個(gè)樣本ci，計(jì)算它到9個(gè)聚類(lèi)中心的距離并將其分到距離最小的聚類(lèi)中心所對(duì)應(yīng)的類(lèi)中[27]，并更新聚類(lèi)中心。

6)重復(fù)第5步，直到錨框的大小不再發(fā)生改變或迭代2 000次。

7)Return 9組錨框的寬、高。

2.5 檢測(cè)尺度改進(jìn)

將檢測(cè)尺度進(jìn)行調(diào)整，YoloV5的檢測(cè)尺度是取20×20、40×40、80×80特征層作為檢測(cè)Head，Head是YoloV5的檢測(cè)結(jié)構(gòu)，輸出大、中、小三個(gè)不同尺寸的特征圖，分別對(duì)應(yīng)的是檢測(cè)小、中、大目標(biāo)。如圖5所示，本研究對(duì)檢測(cè)Head做了調(diào)整，在80×80特征層之后繼續(xù)增加卷積層和上采樣，再將上采樣特征層與160×160特征層進(jìn)行融合，得到160×160特征圖，作為檢測(cè)Head1[28]。在檢測(cè)時(shí)，去掉20×20特征圖，取80×80特征圖作為Head2，取40×40特征圖作為Head3，繼續(xù)保持3個(gè)檢測(cè)尺度的Head結(jié)構(gòu)，如圖5所示，原算法的結(jié)構(gòu)如圖5a所示，改進(jìn)后算法的結(jié)構(gòu)如圖5b所示。

圖5 改進(jìn)的檢測(cè)尺度結(jié)構(gòu)與原檢測(cè)尺度結(jié)構(gòu)Fig.5 Structure of imporved detect head and default detect head

2.6 試驗(yàn)平臺(tái)

試驗(yàn)是在Linux操作系統(tǒng)下，基于GPU、Pytorch和CUDA框架完成的，參數(shù)具體見(jiàn)表2。

表2 試驗(yàn)平臺(tái)參數(shù)Tab.2 Test platform related configuration

3 結(jié)果與分析

3.1 試驗(yàn)數(shù)據(jù)集

數(shù)據(jù)集采用在漁港建設(shè)的高點(diǎn)監(jiān)控?cái)z像頭拍攝的數(shù)據(jù)，因本研究的主要目標(biāo)是漁船，但數(shù)據(jù)采集過(guò)程中發(fā)現(xiàn)，還有部分舢板和執(zhí)法船等其他船只進(jìn)出漁港，所以將目標(biāo)分為3類(lèi)：漁船、舢板和其他船只。共采集照片數(shù)量1 965張，如圖6、7所示，按照8∶1∶1的比例，分別是訓(xùn)練集、驗(yàn)證集和測(cè)試集。訓(xùn)練集照片1 572張，標(biāo)記對(duì)象2 200多個(gè)，如圖6a所示，表示標(biāo)記對(duì)象的數(shù)量；圖6b表示標(biāo)注框的可視化，因?yàn)闃?biāo)注數(shù)據(jù)是經(jīng)過(guò)歸一化處理的，將所有標(biāo)注框中心點(diǎn)設(shè)置為(0.5，0.5)，取前1 000個(gè)框進(jìn)行可視化表達(dá)；圖6c表示標(biāo)注框中心點(diǎn)坐標(biāo)(x，y)的分布情況；圖6d表示經(jīng)過(guò)歸一化過(guò)的標(biāo)簽高度和寬度分布圖。

圖6 數(shù)據(jù)集類(lèi)別實(shí)例(船舶類(lèi)別)Fig.6 Dataset class instances(Ship category)

圖7 數(shù)據(jù)集的樣例圖片F(xiàn)ig.7 Sample image from dataset

3.2 評(píng)價(jià)指標(biāo)

本研究主要采用精確度(Precision，P)、召回率(Recall，R)、平均精確度(Averge Precision，AP)、平均精度均值(mean Averge Precision，mAP)和每秒檢測(cè)幀數(shù)(FPS)作為模型評(píng)價(jià)指標(biāo)。

將測(cè)試結(jié)果按表3混淆矩陣劃分為真陽(yáng)性(True Positive，TP)、真陰性(True Negative，TN)、假陽(yáng)性(False Positive，F(xiàn)P)、假陰性(False Negative，F(xiàn)N)[29]。

表3 混淆矩陣Tab.3 Confusion Matrix

召回率的計(jì)算如公式(1)所示，精確度的計(jì)算如公式(2)所示。

(1)

(2)

式中：Tp代表正確識(shí)別到漁船的數(shù)量，F(xiàn)N代表把漁船識(shí)別成非漁船的數(shù)量，R代表漁船目標(biāo)檢測(cè)的召回率，F(xiàn)p代表把非漁船識(shí)別成漁船的數(shù)量，P代表漁船目標(biāo)檢測(cè)的精確度。

平均精確度的計(jì)算公式如(3)所示。mAP是對(duì)平均精確度(AP)在所有類(lèi)別下取均值，計(jì)算公式如(4)所示。

(3)

(4)

式中：XAP代表平均精確度，XAPi代表第i類(lèi)目標(biāo)檢測(cè)的平均精確度，K代表標(biāo)記的類(lèi)別，mAP代表平均精確度的均值。

mAP@0.5定義為在交并比(IOU)閾值為0.5的情況下，對(duì)每一類(lèi)分別計(jì)算XAP，然后取均值，計(jì)算如公式(5)所示：

(5)

式中：XAP@0.5i代表交并比閾值為0.5的情況下，第i類(lèi)目標(biāo)的平均精確度，K代表標(biāo)記的類(lèi)別，mAP@0.5代表交并比閾值為0.5時(shí)平均精確度的均值。

mAP@[0.5:0.95]定義為在不同交并比閾值(從0.5以0.05的步長(zhǎng)增至0.95)上mAP的均值[22]，計(jì)算如公式(6)所示：

mAP@[0.5:0.95]=

(6)

式中：mAP@0.5代表交并比為0.5時(shí)平均精確度的均值，mAP@0.55表交并比為0.55時(shí)平均精確度的均值，以此類(lèi)推。mAP@[0.5:0.95]代表在不同交并比閾值(從0.5以0.05的步長(zhǎng)增至0.95)上mAP的均值。

每秒傳輸幀數(shù)(Frames Per Second，F(xiàn)PS)是指畫(huà)面每秒傳輸幀數(shù)，本研究選擇FPS作為檢測(cè)速率的評(píng)價(jià)指標(biāo)。

3.3 網(wǎng)絡(luò)訓(xùn)練

在改進(jìn)后的模型訓(xùn)練中，將迭代次數(shù)設(shè)置為100次，批訓(xùn)練數(shù)據(jù)量為64，初始學(xué)習(xí)率設(shè)置為0.01，權(quán)重衰減系數(shù)為0.000 5，訓(xùn)練動(dòng)量為0.8，優(yōu)化器(optimizer)選用Adam，Adam可以自動(dòng)調(diào)整學(xué)習(xí)率，在梯度稀疏或梯度存在很大噪聲的情況下表現(xiàn)較好。訓(xùn)練損失變化如圖8所示。

圖8 改進(jìn)后網(wǎng)絡(luò)模型收斂情況Fig.8 Convergence of improved network model

3.4 改進(jìn)后模型的性能分析

改進(jìn)后模型的精度-回歸曲線(Precision-Recall，P-R)如圖9所示。改進(jìn)后的模型性能如表4所示，改進(jìn)后算法對(duì)所有類(lèi)別的檢測(cè)精準(zhǔn)率、召回率、mAP@0.5和mAP@[0.5:0.95]分別達(dá)到98.1%、97.8%、98.6%、75.4%，并且在漁船的識(shí)別精度上mAP@0.5的值是98.7%。

表4 改進(jìn)后模型的性能Tab.4 Performance comparison and analysis of improved models

圖9 精度-回歸曲線圖Fig.9 PR-curve

試驗(yàn)結(jié)果證明，改進(jìn)算法對(duì)漁船的識(shí)別取得了較高的識(shí)別精度。

3.5 消融試驗(yàn)

為了更好地驗(yàn)證改進(jìn)算法對(duì)原算法優(yōu)化的有效性，進(jìn)行了消融試驗(yàn)，共驗(yàn)證5組網(wǎng)絡(luò)，使用同樣的漁船數(shù)據(jù)集，試驗(yàn)結(jié)果如表5所示，加粗字體為算法最優(yōu)值。

表5 消融試驗(yàn)Tab.5 Ablation experiments

由表5數(shù)據(jù)可知，在YoloV5骨干網(wǎng)絡(luò)中融合CBAM模塊比YoloV5的mAP@0.5值提高了4.1%，檢測(cè)速度FPS降低了1.9；將YoloV5的PANet替換為加權(quán)雙向特征金字塔BiFPN，mAP@0.5值提高了3.8%，F(xiàn)PS降低了10；在模型預(yù)測(cè)時(shí)，改用3個(gè)新的檢測(cè)尺度，去掉大目標(biāo)的檢測(cè)尺度，增加更小目標(biāo)的檢測(cè)尺度提升模型檢測(cè)精度，mAP@0.5值提高4.3%，F(xiàn)PS降低了16.1。試驗(yàn)結(jié)果表明，改進(jìn)算法的每個(gè)措施在性能方面均有所提升，與YoloV5相比，mAP@0.5值提高4.5%，精確度、召回率和mAP@[0.5:0.95]，分別提升29.5%、0.5%、10.3%，雖然檢測(cè)效率FPS降低了3.7，但FPS大于90，對(duì)視覺(jué)影響不大，而且檢測(cè)精度得到較大的提高，基本滿足高點(diǎn)監(jiān)控漁船目標(biāo)場(chǎng)景下的檢測(cè)要求。

為了更加直觀地看出改進(jìn)算法和原算法之間的區(qū)別，隨機(jī)選取漁船圖片作為驗(yàn)證集，分別對(duì)原算法和改進(jìn)后的算法進(jìn)行驗(yàn)證，部分檢測(cè)結(jié)果如圖10所示，其中“fishBoat”代表漁船、“sampan”代表舢板、“o”代表其他船只。在Image1的檢測(cè)上可以發(fā)現(xiàn)本研究改進(jìn)算法在識(shí)別精度上有所提升；在Image2的檢測(cè)上原YoloV5算法在其他船只的識(shí)別上有錯(cuò)誤，將其他船只識(shí)別為舢板，而改進(jìn)后的算法檢測(cè)正確且檢測(cè)置信度也提高了；在Image3的檢測(cè)上，原YoloV5算法漏檢了遠(yuǎn)處小尺寸的舢板，改進(jìn)的算法將其識(shí)別了出來(lái)。通過(guò)以上多種檢測(cè)結(jié)果比較可知，改進(jìn)后的YoloV5算法在小目標(biāo)的漁船、舢板的檢測(cè)效果較好。

圖10 檢測(cè)結(jié)果Fig.10 Detection results

3.6 對(duì)比討論

對(duì)比檢測(cè)口罩佩戴[30-31]，本研究的檢測(cè)環(huán)境更加復(fù)雜、難度更大，尤其是遇到在大霧、水面反光等情況時(shí)，檢測(cè)難度增加；對(duì)比檢測(cè)安全帽佩戴，基于改進(jìn)YoloV4的算法平均精度是91.17%[32]，基于改進(jìn)YoloV3算法的精確度是96.5%[33]，本研究的基于改進(jìn)YoloV5算法精確度高達(dá)98.6%，同樣在背景環(huán)境復(fù)雜、光線因素影響的情況下，本研究在漁船目標(biāo)的檢測(cè)平均識(shí)別準(zhǔn)確度上略高于安全帽的佩戴檢測(cè)準(zhǔn)確度；對(duì)比同樣基于監(jiān)控視頻進(jìn)行船舶目標(biāo)的檢測(cè)，基于回歸深度卷積網(wǎng)絡(luò)的船舶檢測(cè)[34]，在視頻檢測(cè)中每秒鐘檢測(cè)的幀數(shù)為78～80，本研究的基于改進(jìn)YoloV5算法每秒鐘平均檢測(cè)幀數(shù)為90.6，在檢測(cè)速度上更有優(yōu)勢(shì)。但本研究也有不足之處，比如缺乏在強(qiáng)逆光和海浪影響的環(huán)境下[35]漁船目標(biāo)檢測(cè)的研究和分析，下一步要擴(kuò)充不同天氣環(huán)境下的數(shù)據(jù)集，研究分析惡劣的海況下漁船目標(biāo)檢測(cè)性能，提高模型的魯棒性，使之適用更復(fù)雜多變的海況。

4 結(jié)論

改進(jìn)YoloV5算法首先通過(guò)Kmeans++算法對(duì)錨框重新聚類(lèi)，選擇適合漁船數(shù)據(jù)集的錨框尺寸；然后在YoloV5的骨干網(wǎng)絡(luò)中融入CBAM注意力機(jī)制獲取更多細(xì)節(jié)特征；再采用BiFPN加權(quán)雙向特征金字塔網(wǎng)絡(luò)，快速進(jìn)行多尺度特征融合；最后在檢測(cè)尺度上的改變，提高了模型對(duì)小目標(biāo)漁船的檢測(cè)精度。研究表明，在漁船檢測(cè)效果上，改進(jìn)算法平均精度均值能達(dá)到98.6%，平均檢測(cè)時(shí)間為0.011s，能夠獲得較好的檢測(cè)準(zhǔn)確度和比較快的檢測(cè)速度，基本滿足休漁期管控期間漁船檢測(cè)的準(zhǔn)確性和實(shí)時(shí)性的需求。未來(lái)將繼續(xù)探索在惡劣天氣時(shí)模型的泛化能力，提高模型的魯棒性。

□