1. 研究目的与意义（文献综述）

随着社会经济的发展，海上贸易变得越来频繁。但与之相伴的，却是轮船相撞事故越来越多。比如近年来最严重的一次事故，携带着100万桶(约13.6万吨)凝析油的巴拿马籍油船“桑奇”号与装载约6.4万吨谷物的中国香港籍散货船“长峰水晶”号，在上海辖区长江口以东约160海里处发生碰撞，“桑奇”号全船失火，29名船员失联，仅3名船员遗体被发现，此外，泄露的原油将对生态环境带来巨大的影响【1】.宁波海事局整理了近五年来72起碰撞事故，找出了造成碰撞事故最主要的原因分别是瞭望疏忽、避让不当、未使用安全航速、能见度不良以及对潮流估计不足【2】。对此我们不难发现事故原因多数是因为船员疏忽和大意造成的。因此，如果我们实现一种检测技术，让机器来代替我们进行周围环境检测，这样就能大大降低事故发生的概率，对经济发展和生态环境的保护都有很大作用，更重要的是船员的人生安全也有了很大的保障。因此，采用智能识别来进行船舶碰撞检测已经是一个十分重要而且刻不容缓的事了。

卷积网络（convnets）是一种特殊的神经网络类型，其特别适合计算机视觉应用，因为它们对于局部操作有很强的抽象表征能力。因此使用卷积神经网络来进行图像识别是十分高效的。yolo之前的物体检测方法主要是通过region proposal产生大量的可能包含待检测物体的potential bounding box，再用分类器去判断每个bounding box里是否包含有物体，以及物体所属类别的probability或者confidence，通过post-processing来改善bounding boxes，消除重复的检测目标，如r-cnn,fast-r-cnn,faster-r-cnn等，yolo不同于这些物体检测方法，它将物体检测任务当做一个regression问题来处理，使用一个神经网络，直接从一整张图像来预测出bounding box的坐标、box中包含物体的置信度和类别probabilities。正是因为它可以通过单个网络评估进行预测，而不像像r-cnn这样的系统，需要数千个单个图像，因此yolo的速度是非常快的。而且yolo在训练和测试时都能够看到一整张图像的信息，因此yolo在检测物体时能很好的利用上下文信息，从而不容易在背景上预测出错误的物体信息。所以本项目是基于卷积神经网络实现yolo v3算法来进行船舶碰撞检测的。
国内外现状

1959年，hubel amp; wiesel 通过对猫视觉皮层细胞中用于局部敏感和方向选择的神经元的研究，发现动物视觉皮层细胞负责检测光学信号，提出了感受野（receptive field）的概念。

2. 研究的基本内容与方案

研究的基本内容：

了解卷积神经网络模型和yolo3算法的实现，利用yolov3在图像与视频中检测船舶并确定船舶在图像中的位置，包括：构建海面船舶数据集；设计船舶特征提取网络；构建与训练基于yolov3的船舶检测卷积神经网络模型；利用训练模型实现船舶检测算法。

3. 研究计划与安排

2019/1/19—2019/2/28；确定选题，查阅文献，外文翻译和撰写开题报告；

2019/3/1—2019/3/15；下载yolo v3官方模型，深入学习yolo算法的实现原理

2019/3/16—2019/4/30；搭建网络，创建数据集，训练自己的数据，不断优化完善系统

4. 参考文献（12篇以上）

1. 环球网 海洋生态再遭重创！东海轮船相撞近100万桶凝析油泄漏 2018-01-11
2.宁波海事 72份调查报告细说船舶碰撞五大常见原因 2018-01-19

3. j. redmon, s. divvala, r. girshick and a. farhadi, "you only look once: unified, real-time object detection," 2016 ieee conference on computer vision and pattern recognition (cvpr), las vegas, nv, 2016, pp. 779-788.

4. [美]ian goodfellow，[加]yoshua bengio著；深度学习，人民邮电出版社，2017-08