一种基于CenterNet的轻量级水下目标检测方法技术

本发明专利技术提供了一种基于CenterNet的轻量级水下目标检测方法，在水下拍摄目标图像，将目标图像制作为数据集，将数据集分为训练集和测试集，并对训练集进行标注，选择ResNet18作为特征提取网络，搭建特征金字塔进行多尺度特征融合，并输出融合后图像大小最大的特征图至检测头中，使用CenterNet算法对训练集中的图像及标注的信息进行深度学习的训练，得到训练后的模型，进行目标检测，获取图像中待检测目标的分类信息和位置信息。本发明专利技术更加轻量化，适用于嵌入式设备中，目标检测精度较高，进一步提升了对水下光学图像中多尺度目标的检测精度，减少了部分所需的计算量，增加了推理速度，使算法更加轻量化、实时化。实时化。实时化。

【技术实现步骤摘要】
一种基于CenterNet的轻量级水下目标检测方法


[0001]本专利技术涉及人工智能
，尤其是一种水下目标检测方法。

技术介绍

[0002]随着人类文明的发展，人类对海洋资源的利用越来越深入和频繁，海洋设施的种类和数量也越来越丰富。海洋设施的建设较为困难且在军事战略层面往往有着十分重要的作用，一旦被破坏则损失巨大且修复困难。这些特性使其极易成为他国及恐怖分子的破坏目标，因此保护海洋设施的安全极其重要。而海洋设施地理位置的特殊性，使得对这些设施的保护尤为困难。
[0003]水下目标检测是人类观察海洋的“眼睛”，在海洋资源开发和海洋设施的保护中有着极为重要的意义。传统的水下目标检测主要是人为的提取目标辐射噪声的特征，然后构建分类器，基于上述提取的特征对目标进行分类识别。近年来，随着人工智能在图像识别领域取得的巨大进展，深度学习在水下目标检测中的应用也受到了大量的且越来越多的研究。迄今为止，基于深度学习的算法可以分为两种，一种是two
‑
stage检测器，如R
‑
CNN；一种是one
‑...

【技术保护点】

【技术特征摘要】
1.一种基于CenterNet的轻量级水下目标检测方法，其特征在于包括下述步骤：步骤1、在水下拍摄目标图像，制作数据集；将待检测的目标类别放置于水下，在遥控无人潜水器上安装摄像头，对待检测目标进行多尺度、多方位的图像拍摄，得到目标图像，将目标图像制作为数据集；步骤2、将数据集分为训练集和测试集，并对训练集进行标注；步骤3、选择对小目标、密集目标检测效果更好且更适合轻量级算法的ResNet18作为特征提取网络；搭建特征金字塔，分别将ResNet18中卷积通道数为128、256、512的最后一层进行多尺度特征融合，并输出融合后图像大小最大的特征图至检测头中；步骤4、使用CenterNet算法对训练集中的图像及标注的信息进行深度学习的训练，得到训练后的CenterNet算法模型；步骤5、使用CenterNet算法对测试集中的图像或实际拍摄的图像进行目标检测，获取图像中待检测目标的分类信息和位置信息。2.根据权利要求1所述的基于CenterNet的轻量级水下目标检测方法，其特征在于：所述步骤2包括如下步骤：将所述图像按比例分为训练集和测试集，比例在7：3至9：1之间，训练集图像数量大于500张，使用软件labelimage对获取的训练集图像进行数据标注，标注信息为图像中欲检测目标的位置信息及类别信息，得到水下光学图像数据集。3.根据权利要求1所述的基于CenterNet的轻量级水下目标检测方法，其特征在于：所述步骤3包括如下步骤：选用ResNet18作为特征提取网络，对ResNet18使用多尺度特征融合，搭建特征金字塔，分别将ResNet18中卷积通道数为128、256、512的最后一层进行多尺度特征融合，并输出融合后图像大小为64
×
64的特征图至检测头中，删除特征金字塔输出图片大小较小的两个输出通道，使用了特征金字塔进行多尺度特征融合并只保留了输出图片大小最大的通道，无需通过三层反卷积，只保留其中一层反卷积，删除其他两层，即可将最终输出图像大小增大为128
×
128，减少了所需的计算量，使算法更加轻量化。4.根据权利要求1所述的基于CenterNet的轻量级水下目标检测方法，其特征在于：所述步骤4包括如下步骤：将数据集中的标注文件与图像分别储存在两个文件夹中，共同移入算法的data文件夹下，在终端通过命令运行算法的main.py文件以训练网络；在训练过程中，首先调用包...

【专利技术属性】
技术研发人员：沈钧戈，毛昭勇，丁文俊，姜旭阳，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：