一种高精度水下激光目标识别系统技术方案

本发明专利技术公开了一种高精度水下激光目标识别系统，包括水下激光探测器、数据库及上位机；水下激光探测器、数据库和上位机依次相连，所述的水下激光探测器对待检测的水域进行探测，并将得到的图像存储到所述的数据库，所述的上位机包含数据生成模块、数据预处理模块、目标分类模块和结果显示模块。本发明专利技术提供一种实现水下环境数据生成和高准确度识别水下目标的水下激光目标识别系统及方法。水下激光目标识别系统及方法。水下激光目标识别系统及方法。

【技术实现步骤摘要】
一种高精度水下激光目标识别系统


[0001]本专利技术涉及水下目标检测领域、深度学习算法领域，尤其涉及一种高精度水下激光目标识别系统。

技术介绍

[0002]水下目标识别在许多领域都有重要的应用，具有重要的研究价值，越来越多的研究者开始关注并推动相关领域的发展。传统的水下探测技术主要采用的是声呐探测器和光学相机，利用采集到的声呐信号或者光学图像进行相应的变换以提取特征，从而进行对特征的识别和分类。
[0003]在水下目标识别中，通过声呐探测器和光学相机进行采集数据，但是水下声学和光学环境复杂，声呐探测器和光学相机的信号传送与获取的过程容易受到噪声的干扰，采集到的高质量图像较少。在可以使用的图像数目较小的情况下，无论是传统机器学习的方法还是深度学习方法都容易出现过拟合的问题，无法提取到泛化能力强的特征，这严重限制了水下目标识别的准确率。因此，对于水下目标识别，探究数据生成和增强方法有着重要的实际价值以及理论意义，也是国内外水下目检识别的难点和热点。

技术实现思路

[0004]为了克服传统的水下目检识别中数据量少导致的精度差本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高精度水下激光目标识别系统，其特征在于：包括依次相连的水下激光探测器、数据库及上位机，所述上位机包括依次相连的数据生成模块、数据预处理模块、目标分类模块和结果显示模块。所述激光探测器对所检测水域进行探测，并将得到的图像存储到所述的数据库，数据生成模块对激光探测器采集到的图像进行生成，以扩展可用图像数量；数据预处理模块将水下激光探测器采集的图像数据和新生成的图像数据进行预处理，目标分类模块使用残差卷积神经网络训练目标分类器，使用该搭建好的残差卷积神经网络进行目标分类的训练，对预处理后的图像数据进行识别，结果显示模块将目标分类的结果展示在上位机中。2.根据权利要求1所述一种高精度水下激光目标识别系统，其特征在于：所述数据生成模块对激光探测器采集到的图像进行生成，以扩展可用图像数量，采用如下过程完成：(1)从数据库中采集K个图像作为训练样本集，记为其中代表第i个训练样本；(2)从噪声数据先验分布P(z)中采集K个噪声作为噪声样本集，记为其中代表第i个噪声样本；(3)采用卷积神经网络作为生成器G，从噪声数据中生成新的数据，其中其中代表第i个新生成的样本；(4)采用卷积神经网络作为判别器D，并更新判别器的参数θ
d
，具体公式如下：，具体公式如下：其中，V
D
为判别器D关于θ
d
的损失函数，为第(1)步中采集的训练样本，为第(3)步中生成的新样本，i为样本索引，m为训练批次大小，η为学习率，为关于θ
d
的梯度。(5)更新生成器G的参数θ
g
，具体公式如下：，具体公式如下：其中，V
G
为判别器G关于θ
G
的损失函数，为第(2)步中采集的噪声样本，i为样本索引，m为训练批次大小，η为学习率，为关于θ
g
的梯度。(6)重复上述(1)～(5)步骤，直到V
D
和V
G
收敛；(7)设定想要生成的图片数目M，从噪声数据先验分布P(z)中采集M个噪声作为噪声样本，采用训练好的生成器G，从噪声数据中生成新的数据其中将新生成的图片数据加入数据库。3.根据权利要求1所述高精度水下激光目标识别系统，其特征在于：所述数据预处理模块将水下激光探测器采集的图像数据和新生成的图像数据进行预处理，采用如下过程完成：将数据库中所有样本图像其中代表第i个样本图像，总数为
N；对训练样本的灰度直方图进行均衡化处理，公式如下：其中，i＝1,2,...,N，j＝0,1,2,...,L
‑
1，u
ij
第i个样本的第j个灰度级均衡化后的结果，R
N
表示图像像素的行数，C
N
表示图像像素的列数，L表示图像的灰度级数量，n
e
表示当前图像中灰度为r
e
的像素的个数，p
r
(r
e
)表示概率分布，T(r
j
)表示当前图像中第j个灰度级的直方图均衡化变换。灰度直方图进行均衡化...

【专利技术属性】
技术研发人员：刘兴高，万子宁，王文海，张志猛，张泽银，
申请(专利权)人：浙江大学，
类型：发明
国别省市：