(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 20221070759 2.5 (22)申请日 2022.06.21 (71)申请人 中国电子科技 集团公司第五十二研 究所 地址 311100 浙江省杭州市余杭区爱橙 街 198号B楼 申请人 中国人民解 放军9197 7部队 (72)发明人 阮成明　江志浩　张恺翊　祝中科　 陈初杰　张旭　 (74)专利代理 机构 杭州君度专利代理事务所 (特殊普通 合伙) 33240 专利代理师 杨天娇 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/774(2022.01)G06V 10/764(2022.01) G06V 10/26(2022.01) G06V 10/44(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度学习的舰船重要特征识别方 法 (57)摘要 本发明公开了一种基于深度学习的舰船重 要特征识别方法， 结合了目标检测技术与文本识 别技术， 能够对舰船及相关重要特征如涂装字 符、 国旗等进行信息提取， 通过构建的多尺度小 目标检测 网络和文本识别网络， 来检测国旗、 文 本等目标， 针对涂装字符文本识别任务， 采用了 先检测后识别的策略， 检测网络识别涂装字符的 位置信息， 将只包含涂装文本区域的特征图输出 到文本识别网络中， 得到最终的文本信息。 本发 明技术方案弥补了现有舰船识别研究中只关注 舰船主体信息的缺陷， 对海上舰船上的重要特征 进行了提取， 这对我国完善海上舰船的监测管理 提供了有效的技 术支撑。 权利要求书1页 说明书5页 附图4页 CN 115223041 A 2022.10.21 CN 115223041 A 1.一种基于深度学习的舰船重要特征识别方法， 其特征在于， 所述基于深度学习的舰 船重要特 征识别方法， 包括： 采用构建的多尺度小目标检测网络进行目标检测， 所述多尺度小目标检测网络包括骨 干网络、 特征融合网络和解耦模块， 所述骨干网络采用CSPDarknet53， 并在CSPDarknet 53之 后增加SPP模块， 提取三个不同尺度的特征， 所述CSPDar knet53的残差模块的结构在原残差 模块之前增加了一个第一卷积层， 在原残差模块之后增加了一个第二卷积层， 所述第一卷 积层的输出再次经过一个第三卷积层之后， 与第二卷积层的输出进行连接操作和卷积操 作； 所述特征融合网络采用双向融合FPN网络， 将骨干网络提取的三个不同尺度的特征分别 经过一次卷积操作后输入到双向融合FPN网络， 所述双向融合FPN网络将融合后的三个不同 尺度反向传输至骨干网络对应的残差模块， 再次从下至上融合； 所述解耦模块包括两个分 支， 一个分支进行卷积和sigmod操作， 得到分类结果， 另一个分支进行卷积操作， 得到目标 位置回归结果； 将多尺度小目标检测网络检测得到的文本目标区域进行合并， 输入到构建的文本识别 网络进行文字识别， 所述文本识别网络包括卷积层、 循环层以及翻译层， 所述卷积层为7层 卷积， 所述循环层为双向LSTM结构， 双向LSTM结构的输出经过一个 softmax操作后得到概率 矩阵， 概率矩阵每一列 表示不同字符的概率， 概率矩阵输入到翻译层中， 翻译层通过找到每 列最高概 率标签得到 字符识别的结果。 2.根据权利要求1所述的基于深度学习的舰船重要特征识别方法， 其特征在于， 所述在 CSPDarknet53之后增加SPP模块， 提取三个不同尺度的特征， 分别是第11个残差模块的输 出、 第19个残差模块的输出， 以及S PP模块的输出。权　利　要　求　书 1/1 页 2 CN 115223041 A 2一种基于深度学习的舰船重要特征识别方 法 技术领域 [0001]本申请属于计算机视觉技术领域， 特别涉及一种基于深度学习的舰船重要特征识 别方法。 背景技术 [0002] [0003]现阶段针对海上舰船目标的研究主要有两个侧重点： 舰船检测和舰船识别， 如专 利CN108647648A， 提出一种基于卷积神经网络的可见光舰船识别系统， 该系统的分析过程 分为两个阶段， 模型离线训练阶段和模型在线推理阶段， 其中模型离线训练阶段的特征包 括图像预处理模块、 图像增广模块等， 利用离线训练出来的模型进行在线推理实现舰船检 测、 识别功能， 该方法通过两阶段的训练分步实现了舰船的检测和识别功能。 专利   CN110390337A中描述了一种基于无源探测定位结果和编队阵型特征的舰船识别方法， 该方 法聚焦大型舰队编队， 利用无源探测定位结果和 编队先验知识 提取目标上下文特征和背 景 特征， 最终实现舰船阵型及舰船个 体的识别和定位。 [0004]目前业界的方法主要围绕舰船群体和舰船个体的分析， 对舰船局部区域的信息关 注度较低， 且对舰船个体的分析只停留在目标的位置和型号层面， 未对舰船上 的其他重要 信息进行提取， 如舰船上悬挂的国旗， 船身的涂装文本信息等， 而这些局部信息是舰船特征 的重要组成部分， 如国旗可以代 表舰船的国别， 涂装文本包 含舰船的编号、 名称等信息 。 发明内容 [0005]本申请的目的是提供一种基于深度学习的舰船重要特征识别方法， 能够对舰船局 部特征(舰船涂装字符、 国旗)进行信息提取， 可以有效提升海上军事舰船目标的情报分析 能力。 [0006]为了实现上述目的， 本申请技 术方案如下： [0007]一种基于深度学习的舰船重要特 征识别方法， 包括： [0008]采用构建的多尺度小目标检测网络进行目标检测， 所述多尺度小目标检测网络包 括骨干网络、 特征融合网络和解耦模块， 所述骨干网络采用  CSPDarknet53， 并在 CSPDarknet53之后增加SPP 模块， 提取三个不同尺度的特征， 所述CSPDarknet53的残差模块 的结构在原残差模块之前增加了一个第一卷积层， 在原残差模块之后增加了一个第二卷积 层， 所述第一卷积层的输出再次经过一个第三卷积层之后， 与第二卷积层的输出进行连接 操作和卷积操作； 所述特征融合网络采用双向融合FPN网络， 将骨干网络提取的三个不同尺 度的特征分别经过一次卷积操作后输入到双向融合FPN网络， 所述双向融合FPN网络将融合 后的三个不同尺度反向传输至骨干网络对应的残差模块， 再次从下至上融合； 所述解耦模 块包括两个分支， 一个 分支进行卷积和sigmod操作， 得到 分类结果， 另一个 分支进行卷积操 作， 得到目标位置回归结果； [0009]将多尺度小目标检测网络检测得到的文本目标区域进行合并， 输入到构建的文本说　明　书 1/5 页 3 CN 115223041 A 3