一种水下图像目标检测方法及系统技术方案

本发明专利技术实施例提供了一种水下图像目标检测方法及系统，包括：获取待检测水下图像，并利用MS‑CNN去噪算法和暗通道先验去噪算法对所述待检测水下图像进行预处理得到第一图像；将所述第一图像输入训练好的预设特征金字塔网络FPN，输出目标检测结果；其中，所述预设FPN的卷积层为PVA网络，且加入C.ReLU结构。通过对待检测水下图像进行预处理之后，采用改进的FPN对经过预处理的待检测水下图像进行目标检测，输出目标检测结果，无需手动设计特征，检测过程耗时短，且得到的检测结果准确度高，能很好的适应自动检测和自动捕捞等实际应用需求。

An Underwater Image Target Detection Method and System

The embodiment of the present invention provides an underwater image target detection method and system, which includes acquiring underwater image to be detected, preprocessing the underwater image to be detected by using MS CNN denoising algorithm and dark channel prior denoising algorithm to obtain the first image, inputting the first image into the trained preset feature pyramid network FPN and outputting the target detection result; The convolution layer of the preset FPN is a PVA network, and a C. ReLU structure is added. After pretreatment of the underwater image to be detected, the improved FPN is used to detect the target of the underwater image to be detected after pretreatment. The target detection results are output without manual design features. The detection process is time-consuming, and the detection results are accurate. It can well meet the practical application requirements of automatic detection and automatic fishing.

【技术实现步骤摘要】
一种水下图像目标检测方法及系统
本专利技术实施例涉及图像处理
，更具体地，涉及一种水下图像目标检测方法及系统。
技术介绍
水下机器视觉作为感知水下世界的重要技术之一，如今已越来越被广泛应用于海洋工程、水下探索、目标检测、生物监测等各个方面，为海洋学和渔业科学研究提供了丰富的信息，为智慧海洋、智慧渔业的发展奠定了基础。水下图像目标检测技术作为其分支，搭载于水下机器人上，将图像和视频分析、生物量检测、生物识别查找等应用于水下环境，促进了海洋探测及渔业自动化的发展。然而水下的环境通常光照不足、噪声明显、对比度低、画面偏色严重，而且水下目标往往拥有和环境相似的保护色，以上因素都大大限制了检测算法在水下图像中的性能发挥。现有技术大多基于手工设计的特征(如颜色、形状、纹理、SIFT、HOG、DPM等)提取目标特征，然后采用模式识别方法对目标进行识别定位。但是手工设计的特征工程费时费力，而且对水下复杂背景的鲁棒性不好，在水下复杂背景下的识别准确度较低，同时现有目标检测方法运行时往往存在耗时长的问题，无法很好适应自动检测和自动捕捞等实际应用需求。
技术实现思路
本专利技术实施例提供了一种克服上述问题或者至少部分地解决上述问题的水下图像目标检测方法及系统。第一方面本专利技术实施例提供了一种水下图像目标检测方法，包括：获取待检测水下图像，并利用MS-CNN去噪算法和暗通道先验去噪算法对所述待检测水下图像进行预处理得到第一图像；将所述第一图像输入训练好的预设特征金字塔网络FPN，输出目标检测结果；其中，所述预设FPN的卷积层为PVA网络，且加入C.ReLU结构。另一方面本专利技术实施例提供了一种水下图像目标检测系统，包括：图像预处理模块，用于获取待检测水下图像，并利用MS-CNN去噪算法和暗通道先验去噪算法对所述待检测水下图像进行预处理得到第一图像；目标检测模块，用于将所述第一图像输入训练好的预设特征金字塔网络FPN，输出目标检测结果；其中，所述预设FPN的卷积层为PVA网络，且加入C.ReLU结构。第三方面本专利技术实施例提供了包括处理器、通信接口、存储器和总线，其中，处理器，通信接口，存储器通过总线完成相互间的通信，处理器可以调用存储器中的逻辑指令，以执行第一方面提供的水下图像目标检测方法。第四方面本专利技术实施例提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行第一方面提供的水下图像目标检测方法。本专利技术实施例提供的一种水下图像目标检测方法及系统，通过对待检测水下图像进行预处理之后，采用改进的FPN对经过预处理的待检测水下图像进行目标检测，输出目标检测结果，无需手动设计特征，检测过程耗时短，且得到的检测结果准确度高，能很好的适应自动检测和自动捕捞等实际应用需求。附图说明图1为本专利技术实施例提供的一种水下图像目标检测方法的流程图；图2为本专利技术实施例中C.ReLU结构的示意图；图3为本专利技术实施例中预设FPN的结构示意图；图4为本专利技术实施例提供的一种水下图像目标检测系统的结构框图；图5为本专利技术实施例提供的一种电子设备的结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。图1为本专利技术实施例提供的一种水下图像目标检测方法的流程图，如图1所示，包括：S101，获取待检测水下图像，并利用MS-CNN去噪算法和暗通道先验去噪算法对所述待检测水下图像进行预处理得到第一图像；S102，将所述第一图像输入训练好的预设特征金字塔网络FPN，输出目标检测结果；其中，所述预设FPN的卷积层为PVA网络，且加入C.ReLU结构。其中，在步骤S101中，由于水下环境成像条件较差，水下图像常会出现失真和模糊，需要对待检测水下图像其进行去噪处理，以便后续检测。利用MS-CNN去噪算法和暗通道先验去噪算法对所述待检测水下图像进行预处理得到的第一图像即为后续可以直接输入训练好的预设FPN中的输入量。在步骤S102中，采用训练好的预设FPN对第一图像进行检测，预设FPN将现有FPN的主干卷积网络CNN换成轻量级的PVANet，加入C.ReLU结构。由于CNN网络的前几层学习到的滤波器中存在负相关，即低层的卷积核总是成对出现(参数互为相反数)，因此C.ReLU结构将输出特征图个数减少为原始的一半，另一半直接取相反数得到，再将两部分特征图连接，从而减少了卷积核数目，提高了运行效率。本专利技术实施例将C.ReLU加入FPN的浅层卷积网络中，能够在不降低准确率的同时减少网络参数，缩短了时间损耗。具体地，图2所示为C.ReLU结构的示意图，其中Convolution表示卷积操作；Negation表示取相反数；Concatenation表示将两部分特征图连接；Scale/Shift表示缩放；ReLU表示用ReLU函数进行激活；shortcutconnection表示残差连接。现有FPN中最重要的特征金字塔结构也要做相应改变，conv3_4、conv4_4、conv5_4分别表示为{C3，C4，C5}，代表不同尺度的卷积特征图(卷积层越深，其特征图的尺度越小，语义特征越强)；经过横向连接和top-down结构的计算，得到包含强语义特征的特征图金字塔{P3，P4，P5}，使底层分辨率大的卷积图也获得了强语义特征，提高了小尺度目标的检测精度；而且将不同卷积层的特征进行融合，有效提高检测精度。预设FPN的结构如图3所示，其中FeaturePyramidStructure部分引出的虚线框表示出横向连接和top-down结构的细节，如C4经过1x1卷积，与经过2倍上采样的P5进行连接，并经过3x3卷积计算得到P4。本专利技术实施例提供的一种水下图像目标检测方法，通过对待检测水下图像进行预处理之后，采用改进的FPN对经过预处理的待检测水下图像进行目标检测，输出目标检测结果，无需手动设计特征，检测过程耗时短，且得到的检测结果准确度高，能很好的适应自动检测和自动捕捞等实际应用需求。在上述实施例中，所述利用MS-CNN去噪算法和暗通道先验去噪算法对所述待检测水下图像进行预处理得到第一图像，具体包括：分别利用MS-CNN去噪算法和暗通道先验去噪算法对所述待检测水下图像进行预处理，得到第二图像和第三图像；利用预设投票机制选取所述第二图像和所述第三图像中的一幅图像作为所述第一图像。具体地，对待检测图像进行预处理的过程可以理解为用投票机制对MS-CNN去噪算法和暗通道先验去噪算法进行融合，融合能充分发挥多个去噪算法的特点，让同一个图片样本经过不同去噪算法的处理，产生一个经过优化组合后的去噪结果，这种结果往往比单个去噪算法产生的结果更可靠。在上述实施例中，其特征在于所述预设投票机制的投票指标为峰值信噪比PSNR和图像熵；相应地，所述利用预设投票机制选取所述第二图像和所述第三图像中的一幅图像作为所述第一图像，具体包括：若判断获知所述第二图像的PSNR和图像熵之和不小于所述第三图像的PSNR和图像熵本文档来自技高网...

【技术保护点】
1.一种水下图像目标检测方法，其特征在于，包括：获取待检测水下图像，并利用多尺度卷积神经网络MS‑CNN去噪算法和暗通道先验去噪算法对所述待检测水下图像进行预处理得到第一图像；将所述第一图像输入训练好的预设特征金字塔网络FPN，输出目标检测结果；其中，所述预设FPN的卷积层为PVA网络，且加入C.ReLU结构。

【技术特征摘要】
1.一种水下图像目标检测方法，其特征在于，包括：获取待检测水下图像，并利用多尺度卷积神经网络MS-CNN去噪算法和暗通道先验去噪算法对所述待检测水下图像进行预处理得到第一图像；将所述第一图像输入训练好的预设特征金字塔网络FPN，输出目标检测结果；其中，所述预设FPN的卷积层为PVA网络，且加入C.ReLU结构。2.根据权利要求1所述方法，其特征在于，所述利用MS-CNN去噪算法和暗通道先验去噪算法对所述待检测水下图像进行预处理得到第一图像，具体包括：分别利用MS-CNN去噪算法和暗通道先验去噪算法对所述待检测水下图像进行预处理，得到第二图像和第三图像；利用预设投票机制选取所述第二图像和所述第三图像中的一幅图像作为所述第一图像。3.根据权利要求2所述方法，其特征在于，所述预设投票机制的投票指标为峰值信噪比PSNR和图像熵；相应地，所述利用预设投票机制选取所述第二图像和所述第三图像中的一幅图像作为所述第一图像，具体包括：若判断获知所述第二图像的PSNR和图像熵之和不小于所述第三图像的PSNR和图像熵之和，则选取所述第二图像作为所述第一图像；若判断获知所述第二图像的PSNR和图像熵之和小于所述第三图像的PSNR和图像熵之和，则选取所述第三图像作为所述第一图像。4.根据权利要求1所述方法，其特征在于，在所述将所述第一图像输入训练好的预设特征金字塔网络FPN之前，还包括：通过数据扩充方法获取训练数据集；利用所述训练数据集对所述预设FPN进行训练，得到所述训练好的FPN。5.根据权利要求4所述方法，其特征在于，所述通过数据扩充获取训练数据集，具体包括：通过水平翻转、上下...

【专利技术属性】
技术研发人员：李振波，彭芳，苗政，李光耀，钮冰姗，杨晋琪，岳峻，李道亮，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：北京,11