目标检测是计算机视觉和人工智能等学科的一个重要研究内容,它具有广泛的应用领域,如车牌识别、行人检测等。其中,在海上交通监管、海洋环境监测、抑制非法海上行为等领域,海上船舶目标检测尤其具有重要的应用背景和现实意义。然而现阶段海洋环境下船舶目标检测易受海雾天气、复杂背景、船舶分布状况以及目标距离等不确定因素的影响,无法同时保证船舶检测任务的效率以及可靠性。针对以上问题,本文提出了一种兼顾检测精度和速度的船舶目标检测算法,使得晴朗与海雾天气环境下的船舶检测效果都得到了进一步提升。本文具体研究内容如下:针对船舶检测算法,本文做了图像预处理和数据预处理两方面的研究。在图像预处理方面,针对海雾天气环境下船舶检测精度低的问题,通过GCANet去雾算法学习有雾图像与无雾图像之间的残差,实现对海雾图像的去雾处理。针对海上环境存在的背景干扰问题,采用人工绘制掩膜图像的方法去除复杂环境背景干扰。在数据预处理方面,本文新建了船舶图像数据集和海雾船舶图像测试集,并通过Mosaic数据增强的方法提升了数据量与背景复杂度。此外,引入了K-means++聚类算法,提升了网络先验框与真实框之间的平均交并比。针对传统船舶目标检测算法在实时性方面无法满足海上任务实际需求的问题,本文提出了一种改进的YOLOv4算法。首先,该改进算法引入轻量级网络Mobile Net V3作为主干网络,实现网络速度提升。随后,基于CSPNet思想,在主干网络中提出了全新的CSPbneck结构,有效提升了卷积神经网络的特征获取能力,并减少了网络的参数量与计算量。最后,在YOLOv4的颈头部网络中,引入具有自适应感受野的SK卷积,使网络在保持轻量化的同时,进一步提升算法的检测准确性。为了验证改进算法的有效性,对目标检测算法常用的性能评价指标进行了归纳说明,并对本文提出的基于轻量级网络的船舶检测算法与传统目标检测算法做了对比实验与分析。实验结果验证了改进的船舶检测算法兼顾了船舶目标检测的速度和精度特性,并提高了海雾环境下的船舶检测效果。此外,利用Py Qt5开发了一套可视化的船舶检测系统,从而可以更加直观地展示船舶目标检测效果,并实时统计检测数据,最终实现海上船舶管理等实践应用任务。