研究生阶段：恶劣环境下的船舶目标检测研究

2020 年至 2022 年，我在上海海事大学攻读交通运输专业全日制专业硕士，学制两年。研究生阶段的研究方向聚焦交通环境感知 / 计算机视觉，具体到个人投入最多的方向，是恶劣环境下的船舶目标检测：在雾天、低对比度、复杂水面背景等条件下，提高船舶检测的精度、鲁棒性和模型轻量化程度。

这个方向对我后来的工程经历影响很大。它不是单纯在标准数据集上跑一个检测模型，而是需要同时考虑图像质量退化、目标尺度变化、模型计算量、误检漏检和实际部署可用性。

研究问题

我的主要研究围绕开源 SeaShips 船舶图像数据集展开。这个数据集包含多类常见船舶目标，适合用于验证海事场景下的目标检测算法。相比一般自然图像，船舶检测场景有几个比较典型的问题：

• 水面、岸线、天空和船体背景差异复杂，容易带来误检。
• 雾天、低能见度和低对比度场景会压缩目标纹理和边缘信息。
• 船舶尺度变化明显，小目标和远距离目标更容易漏检。
• 实际应用中不能只追求精度，还要考虑模型大小、推理速度和部署成本。

因此，我当时关注的核心问题可以概括为：如何在恶劣视觉条件下实现高精度、轻量化的船舶目标检测。

技术路线

研究过程中，我主要以 YOLOv5 为基础进行改进，并结合图像去雾算法改善恶劣天气下的输入质量。整体思路不是把去雾和检测割裂开看，而是考虑二者的协同关系：去雾模块改善图像可见性，检测模型进一步利用增强后的目标纹理和边缘信息完成识别。

在检测模型侧，重点关注以下几个方向：

• 对 YOLOv5 检测结构进行改进，使其更适合船舶目标尺度变化和复杂背景。
• 在保证检测精度的同时控制模型复杂度，尽量减少参数量和计算量。
• 通过对比实验观察不同改进模块对精度、速度和模型大小的影响。
• 结合去雾前后图像进行检测效果分析，验证图像增强对恶劣环境检测的帮助。

从现在回看，这段研究经历让我比较早地接触到”算法指标”和”工程可用性”之间的平衡：模型不只要在论文实验中表现好，也要考虑真实场景里能否稳定、快速、可部署。

成果与参与情况

研究生阶段的成果包括论文和发明专利。不同成果的参与深度并不完全相同，因此这里按实际研究经历做一个更清晰的整理：

• Tao Liu, Zhao Zhang, Zhengling Lei, Yuchi Huo, Shuo Wang, et al. “An approach to ship target detection based on combined optimization model of dehazing and detection.” Engineering Applications of Artificial Intelligence, vol. 127, 2024.

  这篇论文对应的是我研究生阶段主要投入的船舶目标检测方向，围绕图像去雾与目标检测协同优化展开。论文最终发表时，课题组后续同学也继续参与了实验补充和论文完善。

• Tao Liu*, Shuo Wang, Zhengling Lei, Jinfeng Zhang, Xiaocai Zhang. “Trajectory risk cognition of ship collision accident based on fusion of multi-model spatial data.” The Journal of Navigation, Cambridge University Press, 2022.

  这篇论文属于航海交通安全方向，我参与了其中部分数据处理和研究辅助工作。它和我的主要视觉检测方向有关联，但不是我研究生阶段投入最多的技术主线。

• 研究生阶段参与发明专利《一种应对复杂环境的轻量级高精度船舶目标检测方法》，导师为第一发明人，本人为第二发明人，已获授权，公告号 CN113989613B。

经历价值

这段研究经历对我后续做工业视觉和算法工程落地有直接帮助。船舶目标检测中的很多问题——恶劣环境、目标尺度变化、背景干扰、数据质量不稳定、模型部署时的性能约束——后来在电力巡检、工业监控和水利场景中都反复出现过。

研究生阶段让我意识到，计算机视觉项目不能只看模型结构，还要看数据、成像条件、预处理、后处理和部署要求之间的整体关系。这个思路我后来一直在用。

实践延伸

在南京土星视界科技有限公司实习期间，我作为算法成员参与中广核某核电站冷源智能监测系统，负责拦截网状态 AI 图像智能识别分析功能研发。这段经历把研究生阶段的视觉算法积累延伸到了真实工业监控场景，也让我更早体会到算法方案需要面对现场画面质量、误报漏报成本和业务验收标准这些现实约束。