1.一种基于改进YOLOV3算法的海上船舶检测方法，其特征在于，包括以下步骤：步骤一、设计多尺度融合网络结构，在原有YOLOV3算法模型的3个尺度基础上增加一个检测尺度模块；

步骤二、设计特征信息交互网络结构，用于低层特征和高层特征融合之后，将低层与高层的特征信息进行多次交互；

步骤三、优化全局损失函数，全局损失函数为三个部分的和：位置损失、类别损失和置信度损失，其中优化的部分为位置损失；

步骤四、数据集平衡化处理和先验框聚类；

步骤五、模型训练，其中，模型包括数据预处理模块和改进的YOLOV3网络结构；

步骤六、对目标图像使用已训练好的模型预测船舶的类别和位置信息。

2.根据权利要求1所述的基于改进YOLOV3算法的海上船舶检测方法，其特征在于，在上述步骤一多尺度融合网络结构中，新增的尺度模块分为四个功能层：第一层为链接层，将网络的第103层的输出特征链接为尺度融合操作的输入；第二层为卷积层，卷积核大小为上一层的一半，大小为1*1；第三层上采样层，对上一层的输出采用双线性插值算法扩大输出尺寸；第四层尺度融合层，经过上采样的输出作为融合输入1，网络低层同等大小尺寸的输出作为融合输入2，将两者进行通道拼接。

3.根据权利要求1所述的基于改进YOLOV3算法的海上船舶检测方法，其特征在于，所述步骤二中，特征信息交互模块为两个部分，总共九个卷积层：第一部分由三个卷积层组成，第一层卷积层为512/2n个卷积核，大小为1*1/1；第二层为512/2n-1个卷积核，大小为3*3/1，第三层为512/2n个卷积核，大小为3*3/1；第二部分由四组相同的卷积模块构成，每个卷积模块由两个卷积层组成，第一层卷积层为512/2n-1个卷积核，大小为1*1/1，第二层为512/2n个卷积核，大小为3*3/1，每个卷积层后面接一层正则化层和线性激活函数层，其中，描述中n参数表示尺度的编号。

4.根据权利要求1所述的基于改进YOLOV3算法的海上船舶检测方法，其特征在于，所述步骤三中的全局平均损失函数分为了三个部分，优化部分为边框损失，其计算公式为：其中，Ap，Ag表示预测框和真实框的面积，Al表示两个框的重叠面积，Ac表示两个框的最小包围框的面积。

5.根据权利要求1所述的基于改进YOLOV3算法的海上船舶检测方法，其特征在于，所述步骤四中数据集平衡化处理和先验框聚类中，具体的步骤为：首先，对一张图像所取得的正样本全部采用，对正样本采取镜像旋转，裁剪处理措施，增加正样本的数量；

其次，并随机选取与正样本数量的三分之一致的负样本；将所有样本的规格归一化到

640*720大小；

最后利用Kmeans算法对船舶的常规尺寸进行聚类。

6.根据权利要求1所述的基于改进YOLOV3算法的海上船舶检测方法，其特征在于，所述步骤五中，模型的训练包括以下步骤：

5.1、网络参数初始化；

5.2、设置训练参数；

5.3、加载训练数据；

5.4、迭代训练。

7.根据权利要求6所述的基于改进YOLOV3算法的海上船舶检测方法，其特征在于，在上述步骤5.1网络参数初始化中，具体操作为：采用fine-tune策略，利用Darknet-53模型提取输入图像的特征信息。

8.根据权利要求6所述的基于改进YOLOV3算法的海上船舶检测方法，其特征在于，在上述步骤5.2设置训练参数中，具体操作为：网络的初始学习率设置为0.001，学习动量设为

0.9，权重衰减为0.0005。

9.根据权利要求6所述的基于改进YOLOV3算法的海上船舶检测方法，其特征在于，在上述步骤5.4迭代训练中，采用随机梯度下降算法对改进的网络结构进行迭代训练，每迭代

1000次保存一次网络参数，经过不断迭代，取得网络最优解。