基于MCNN-GRU的舰面目标碰撞预警方法

为提升甲板舰面目标的转运安全性,提出一种多个CNN-GRU(multipleCNN-GRU,MCNN-GRU)碰撞预警网络模型。该网络融合了卷积神经网络(convolutional neural network,CNN)对单时间步信息特征的提取能力以及门控循环单元(gate recurrent unit,GRU)对时序序列的记忆能力,通过多通道网络结构提升对多时间步信息特征的处理性能;在数据集上,利用目标检测网络和关键点检测网络、位姿解算模型及碰撞检测方法制作舰面目标碰撞预警数据集。通过不同网络在数据集上进行实验的结果表明:该模型对舰面目标的双机碰撞预警精度为92.44%,具有较好的效果。

基于改进YOLOv4-tiny的舰面多目标检测算法

针对舰面多目标的检测问题,提出一种改进YOLOv4-tiny的舰面多目标检测算法。在卷积神经网络中引入卷积注意力模块(convolutional block attention module,CBAM),通过混合通道特征和空间特征来关注舰面目标和抑制背景特征,提高网络的抗背景干扰能力;针对目标尺度变化加入空间金字塔池化结构(spatial pyramid pooling,SPP)以融合不同尺度的特征,提高对不同大小目标的检测能力;使用Mish激活函数替代Leaky ReLU激活函数以获得更好的泛化能力。实验结果表明:5类舰面目标的平均检测精度为92.22%,接近YOLOv4算法的96.48%,而检测速度(frames per second,FPS)达到了42.5帧/s,远高于YOLOv4的18帧/s;该算法能较好地平衡准确率和速度的关系,可以对舰面目标进行实时检测。