基于改进Faster R-CNN的码头自动识别

摘要：

码头自动识别能够为港口的建设与开发、海岸带地理信息的获取及海上军事实力的评估提供重要依据.然而由于码头普遍尺寸小、数量多、分布散乱,且受周围船舶、建筑等环境干扰严重,传统算法难以满足对高速发展的码头进行准确监测的需求,如何对码头目标进行准确识别成为亟需解决的问题.本文基于公开遥感数据集及Google Earth高分遥感影像构建了 3种码头类型的数据集,并针对码头的尺寸特征和空间分布特征对Faster R-CNN算法进行了如下改进:(1)采用K-Means算法对候选框进行预设,使其大小更适应码头尺寸;(2)采用Soft-NMS算法代替NMS算法,以降低分布密集地区码头的误删率和漏检率.实验结果表明,本文改进的Faster R-CNN 算法 FKSN(Faster R-CNN+K-Means+Soft-NMS)识别精度达到 92.6％,相较 Faster R-CNN算法精度提高了 8.3％.将码头目标识别结果和传统分类方法ISODATA、SSD及Faster R-CNN、Faster R-CNN+K-Means等目标提取模型的识别结果相对比,本文方法在虚警率和漏检率的评价指标表现最好,分别为3.2％和7.6％,说明本文方法对于各类码头目标识别具有更好的效果.基于改进Faster R-CNN算法的码头自动识别研究可以为码头的合理建设、规划及治理提供技术支持,为港口高效利用和军事实力分析提供有效途径.

关键词：Faster R-CNN、码头自动识别、K-means算法、Soft-NMS算法、高分遥感

所属期刊栏目：26

分类号：TP391;P237;TJ760

资助基金：教育部重点实验室基金GLAB2020ZR02

在线出版日期：2022-06-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共14页

页码：752-765