(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 202211057676.5 (22)申请日 2022.08.31 (71)申请人 大连海事大学 地址 116026 辽宁省大连市高新园区凌海 路1号 (72)发明人 李伟　张雪　宁君　单雄飞　 (74)专利代理 机构 大连东方专利代理有限责任 公司 21212 专利代理师 高意　李洪福 (51)Int.Cl. G06V 10/25(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/762(2022.01) G06V 10/774(2022.01)G06V 10/82(2022.01) (54)发明名称 一种基于图像增强算法与改进YOLOv5的雾 天船舶检测方法 (57)摘要 本发明提供一种基于图像增强算法与改进 YOLOv5的雾天船舶检测方法， 包括： 对采集到的 雾天船舶图像数据用MSRCP和CLAHE算法进行图 像预处理； 将预处理的图像进行标注， 构建成数 据集； 对网络进行改进， 采用k ‑means++聚类方法 设计先验框； 在网络主体部分， 将CA注意力模块 嵌入到C3模块中； 采用SoftPool池化替换原来的 MaxPool池化； 利用数据集对改进的YOLOv5网络 进行训练， 获取基于改进YOL Ov5网络的检测模型 以及权重文件； 利用训练好的网络模 型对数据集 内的图像进行检测， 得到预测结果。 本发明能够 实现对海上雾天环境下船舶的实时检测， 有效解 决了雾天环境下对于远处小目标船舶检测时召 回率低、 检测精度低的问题。 权利要求书3页 说明书10页 附图6页 CN 115457258 A 2022.12.09 CN 115457258 A 1.一种基于图像增 强算法与改进YOLOv5的雾天船舶检测方法， 其特征在于， 包括如下 步骤： S1、 采集海上雾天船舶 图像数据， 并对图像进行MSRCP和CLAHE预处理， 得到图片数据 集； S2、 对得到的图片数据集进行 标注， 建立专有数据集； S3、 采用k ‑means++聚类方法设计先验框； S4、 构建改进YOLOv5网络模型， 将CA模块添加到 C3模块中， 得到 CA‑YOLOv5； S5、 在SPP模块中采用SoftPo ol池化替换原来的MaxPo ol池化； S6、 利用数据集对CA ‑YOLOv5网络进行训练， 获取基于CA ‑YOLOv5网络的检测模型以及 权重文件； S7、 利用训练好的网络模型对获取到的图像进行检测， 得到预测结果。 2.根据权利要求1所述的基于图像增 强算法与改进YOLOv5的雾天船舶检测方法， 其特 征在于， 所述 步骤S1， 具体包括： S11、 准备图像， 图像数据集 来源于新加坡 海事数据集； S12、 将带雾图像输入到 MSRCP算法当中进行处 理， 得到处 理后的图像； S13、 将得到的图像输入到 CLAHE算法中进行进一 步处理， 得到增强后图像。 3.根据权利要求2所述的基于图像增 强算法与改进YOLOv5的雾天船舶检测方法， 其特 征在于， 所述 步骤S12， 具体包括： S121、 设置参数； S122、 获取图像的MSR效果图， 如下： 式中， n代表尺度； ωn为每个尺度所对应的权 重； S123、 将MSR乘上色彩恢复函数， 得到 MSRCR的效果图， 如下： 式中， G和b为经验参数； S124、 将经过MSRCR算法增强后的强度图像进行处理， 再将数据根据原始的RGB的比例 映射到每 个通道， 得到基于 MSRCP增强算法的图像,强度图像的获取公式为： 式中， Int代表强度图像， IR代表原始图像的R通道值， IG代表原始图像的G通道值， IB代表 原始图像的B通道值； S125、 将获得的图像进行色彩恢复， 如下： 权　利　要　求　书 1/3 页 2 CN 115457258 A 2式中， 代表单通道强度图像， i代表像素索引序号； 分别对R、 G、 B  3个通道利用放大 因子A进行色彩调整， 从而得到增强后的图像， 计算公式为： R(x,y)＝AI(R,G,B)(x,y) 式中， B代表色度， I(R， G， B)(x， y)图像代表在坐标(x， y)处的RGB特征图， R(x， y)代表增强 后图像； S126、 对获得的增强后的图像进行手动色彩增强， 得到效果图。 4.根据权利要求2所述的基于图像增 强算法与改进YOLOv5的雾天船舶检测方法， 其特 征在于， 所述 步骤S13， 具体包括： S131、 将输入图像转 化为lab格式； S132、 使用cv2.createCLAH E实例化CLAH E算法； S133、 使用cv2.merge函数将lab图像进行合并； S134、 将lab图像转换为RGB图像。 5.根据权利要求1所述的基于图像增 强算法与改进YOLOv5的雾天船舶检测方法， 其特 征在于， 所述 步骤S2， 具体包括： 对每个船的种类进行区分并用标注框进行打标， 得到包含不同种类目标框的图片数据 集。 6.根据权利要求1所述的基于图像增 强算法与改进YOLOv5的雾天船舶检测方法， 其特 征在于， 所述 步骤S3， 具体包括： S31、 将标注好的目标边框 长宽输入到聚类算法当中； S32、 随机 选取一个点作为第一个聚类中心； S33、 计算每个样本与当前已有聚类中心的距离1 ‑IOU， 距离值越大， 表示被选取作 为聚 类中心的概 率值越大； S34、 采用轮 盘赌法依据概 率大小进行抽选， 选出 下一个聚类中心； S35、 重复步骤S3 3、 S34， 直到 选出9个聚类中心； S36、 计算每 个样本距离最近的簇中心， 并分配到 离它最近的簇中； S37、 采用计算中值， 根据每 个簇中的样本 重新计算簇中心； S38、 重复执 行步骤S3 6到S37， 直到每 个簇中元 素不再发生变化。 7.根据权利要求1所述的基于图像增 强算法与改进YOLOv5的雾天船舶检测方法， 其特 征在于， 所述 步骤S4， 具体包括： 在每个C3模块concat组件之后， 插 入CA模块。 8.根据权利要求1所述的基于图像增 强算法与改进YOLOv5的雾天船舶检测方法， 其特 征在于， 所述 步骤S5， 具体包括： 将SPP结构块中的MaxPo ol池化替换为SoftPo ol池化， SoftPo ol池化的定义如下： 其中， wi表示激活的自然指数与邻域R内所有激活的自然指数之和的比值。权　利　要　求　书 2/3 页 3 CN 115457258 A 3