Resumen

La detección automática, reconocimiento y conteo de barcos son cruciales para la vigilancia marítima inteligente, el rescate oportuno en el océano y la toma de decisiones asistida por computadora. El modelo de preentrenamiento YOLOv3 se utiliza para el entrenamiento del modelo con imágenes de muestra para la detección de barcos. El modelo de detección de barcos se construye ajustando y optimizando parámetros. Combinando las características del histograma de color HSV del objetivo y las características locales LBP del objetivo, el reconocimiento y la selección de objetos se realizan utilizando el modelo de aprendizaje profundo debido a su eficiencia en la extracción de las características del objeto. Dado que los objetivos de seguimiento están sujetos a desviaciones y fluctuaciones, se diseña una red de autocorrección que compone tanto la decisión de dirección basada en regresión como el método de conteo de objetivos con ventanas de tiempo variables, lo que permite realizar de manera más efectiva la detección, seguimiento y autocorrección automáticos de los números de objetos en movimiento

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Detección de barcos; YOLOv3; Entrenamiento del modelo; Modelo de aprendizaje profundo; Reconocimiento de objetos; Red de auto-corrección
• Keywords:Ship detection; YOLOv3; Model training; Deep learning model; Object recognition; Self-correction network