基于Radarsat-2数据的渔船检测与识别方法研究

采用Radarsat-2高分辨率雷达数据和实测数据相结合的方式,探索了海上渔船目标的检测和识别方法。本研究采用的方法是,首先针对渔船在图像上的表现特征,采用全局均值与一倍标准差之和替代传统双阈值法中的背景峰值,采用目标的强峰与弱峰的中间值替代目标峰值点,作为分割阈值进行目标分割;同时,根据研究海域船只实际尺寸数据和高分辨率图像(GeoEye)目视解译数据,统计取得渔船的长度范围为8.85m^38.58m,长宽比为2.86~5.80,并以此范围进行渔船识别。最后采取交互式精度评价方法,对检测和识别结果进行评价。

基于CBAM和BiFPN改进YoloV5的渔船目标检测

在渔港高点监控渔船目标的场景下,对渔船检测经常丢失和检测错误等问题,提出了一种基于改进YoloV5的渔船目标检测模型。首先通过Kmeans++算法对锚框重新聚类,选择适合渔船数据集的锚框尺寸;然后在YoloV5的骨干网络中融入卷积注意力模块(CBAM)注意力机制获取更多细节特征;再采用加权双向特征金字塔网络(BiFPN)代替原先的特征金字塔网络(FPN)+像素聚合网络(PAN)结构,快速进行多尺度特征融合;最后在检测尺度上去掉大目标的检测尺度,增加更小目标的检测尺度,改用新的三个检测尺度,提高了模型对小目标渔船的检测精度。结果显示:对比原YoloV5算法,改进后的算法精确度、召回率和平均精度均值均有所提升,分别提升29.5%、0.5%和4.5%,每秒检测帧数达到90.6,对渔船目标检测效果有大幅度改善。研究表明,改进后的YoloV5算法满足休渔期管控期间对渔船目标检测的准确性和实时性要求。

多用途的水下声波监听系统

冷战期间,水下监听系统(SOSUS)用于对敌方潜水艇和舰船进行探测、跟踪的军事用途达35年之久。随着冷战的结束,这种原先只用于军事目的的装置开始为民用服务。几年前,设立在华盛顿州温德比岛上的美国海军监听站就与科学领域的研究人员合作,进行跟踪鲸类、研究海底火山喷发、侦探非法的漂网捕鱼等一系列工作。