一种声呐图像识别方法、装置、电子设备和储存介质制造方法及图纸

本发明专利技术公开了一种声呐图像识别方法、装置、电子设备和储存介质.其方法包括:分别对前视声呐图像数据集、多波束测深声呐图像数据集、侧扫声呐图像数据集进行预处理；对应前视声呐图像数据集、多波束测深声呐图像数据集和侧扫声呐图像数据集分别构建迁移学习模型并进行训练，获取对应的三组分类结果；对三组分类结果求取识别率，并放入D

【技术实现步骤摘要】
一种声呐图像识别方法、装置、电子设备和储存介质


[0001]本专利技术涉及声呐图像识别
，尤其是涉及一种声呐图像识别方法、装置、电子设备和储存介质。

技术介绍

[0002]近年来，随着经济社会的快速发展和国家基础建设的需要，对水下矿产和海底结构的探测识别的需求日益激增。利用声呐图像识别技术，可以对水下目标进行大面积的扫描识别，提高识别效率。但由于水下目标数据集少的特征，识别难度一直较大。目前常见的声呐技术通常包括前视声呐、侧扫声呐和多波束测深声呐等，前视声呐是一种主动声呐,将声波信号“聚焦”在预定的方向上,即形成所需扫描方向的波束。声呐发出的声信号经水下传播,遇到礁石、舰艇、鱼群等障碍物反射时,产生回声信号。声呐接收回波信号并将它们转变为电信号，接收机再将各个阵元的接收到的电信号转化为适合设备处理的形式，通过一系列的数据处理，最终形成声呐扫描图像。侧扫声呐主要用于探测物体和海底结构，通过安装在两侧的两个换能器发射声波脉冲并将其数字化，从而获得海底图像。SSS将回波能量强度沿着时间线进行显示从而获得海底的连续图像。侧扫声呐能够呈现高度精细化的图像，不仅能显示物体的存在，同时还能通过强反射和弱反射展示物体的材料类别多波束测深声呐可以发射出一条波束带，可以瞬间测量一条线的水深值，随着船体的移动，多波束声呐线动成面，便可以在不同范围内测量水深值，是目前测量水深领域主要的技术之一。
[0003]不同的声呐对不同目标的识别结果也不尽相同，选择合适的声呐设备也至关重要。因此，如何提高声呐图像的识别效率，如何在小数据集样本中提高声呐图像的识别能力，如何融合多种声呐探测技术的识别结果变得尤为重要。
[0004]当前，水下目标识别通常是利用水下机器人搭载侧扫声呐对海底目标进行扫描，技术人员将扫描数据进行人工的识别。这种方法的识别检测效率相对较低，不利于大面积的应用。而声呐图像目标检测的技术通常是以图像分割、色度特征提取等人工设计特征提取的方式，结合分类器识别的结果对目标进行识别。这种需要大量的训练数据并且特征单一，未被广泛应用于实际。

技术实现思路

[0005]鉴于此，本专利技术提出一种声呐图像识别方法，通过迁移学习方式将三种声呐识别结果通过机器自学习模式识别并融合到仪器，减少声呐图像数量依赖，提高声呐图像识别结果。
[0006]其技术方案为：一种声呐图像识别方法，包括以下步骤：分别对前视声呐图像数据集、多波束测深声呐图像数据集、侧扫声呐图像数据集进行预处理；
[0007]对应前视声呐图像数据集、多波束测深声呐图像数据集和侧扫声呐图像数据集分别构建迁移学习模型并进行训练，获取对应的三组分类结果；
[0008]对三组分类结果分别求取识别率，并放入D
‑
S证据决策理论算法中融合三组声呐
图像识别的结果，得到声呐图像识别结果。
[0009]一种声呐图像识别装置，包括采集模块，用于采集前视声呐图像数据集、多波束测深声呐图像数据集、侧扫声呐图像数据集；
[0010]预处理模块，用于对前视声呐图像数据集、多波束测深声呐图像数据集、侧扫声呐图像数据集进行预处理；
[0011]训练模块，用于对应前视声呐图像数据集、多波束测深声呐图像数据集和侧扫声呐图像数据集分别构建迁移学习模型并进行训练并获取对应的三组分类结果；
[0012]融合模块，三组分类结果求取识别率，并放入D
‑
S证据决策理论算法中融合三组声呐图像识别的结果，最终得到声呐图像识别结果。
[0013]一种电子设备，包括：处理器、存储器；
[0014]所述存储器，用于存储计算机程序；
[0015]所述处理器，用于通过调用所述计算机程序，执行如上述中任一种所述的声呐图像识别方法。
[0016]一种计算机可读存储介质，存储有计算机程序，所述计算机程序用于被处理器执行时实现如上述任一种所述的声呐图像识别方法。
[0017]本专利技术的效果相比于现有技术，其优点在于：使用迁移学习需要的数据量较少，同时图像识别的数据集特征具有通用性，可以用较少的数据达到相近的深度学习识别效果；使用自适应的迁移模型方法，可以在原有少数据量的情况下得到识别结果，然后再通过识别过程获取的数据和标签改进模型参数提升识别效果；使用信息融合的方法，可以使某一类的低识别率的数据源在其他高识别率数据源条件下进行融合，提高整体的决策判断结果，减少某一低识别率特征对整体识别结果的影响；结合这两种方法，最终在小数据量的声呐图象数据集中实现目标准确率的提升。同时，这是一种同源异构数据的识别方法，针对同一目标的不同声呐图像特征，综合判定的一种识别策略，综合了迁移学习和信息融合的声呐图像识别方法，更好的在图像声呐领域应用，可以有效提升在识别的准确率，降低训练时间，同时提升系统的稳定性，避免单一声呐图像特征对识别过程造成影响。
附图说明
[0018]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述所需要使用的附图进行简单的介绍。显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0019]图1为本专利技术的系统流程框架构图；
[0020]图2为迁移学习流程图；
[0021]图3为特征融合流程图。
具体实施方式
[0022]现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示
相同或类似的部分，因而将省略对它们的重复描述。
[0023]此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
[0024]本领域技术人员可以理解，附图只是示例实施例的示意图，附图中的模块或流程并不一定是实施本公开所必须的，因此不能用于限制本公开的保护范围。
[0025]下面结合附图对本专利技术中的具体实施方式的内容进行详细描述：
[0026]结合图1
‑
3，本专利的实施方式。
[0027]一种声呐图像识别方法，包括以下步骤：分别对前视声呐图像数据集、多波束测深声呐图像数据集、侧扫声呐图像数据集进行预处理；对应前视声呐图像数据集、多波束测深声呐图像数据集和侧扫声呐图像数据集分别构建迁移学习模型并进行训练，获取对应的三组分类结果；对三组分类结果求取识别率，并放入D
‑
S(Dempster
‑
Shafer)证据决策理论算法中融合三本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种声呐图像识别方法，其特征在于，包括以下步骤：分别对前视声呐图像数据集、多波束测深声呐图像数据集、侧扫声呐图像数据集进行预处理；对应前视声呐图像数据集、多波束测深声呐图像数据集和侧扫声呐图像数据集分别构建迁移学习模型并进行训练，获取对应的三组分类结果；对三组分类结果分别求取识别率，并放入D
‑
S证据决策理论算法中融合三组声呐图像识别的结果，得到声呐图像识别结果。2.根据权利要求1所述的声呐图像识别方法，其特征在于，所述迁移学习模型构建步骤包括：选取CNN网络结构，利用I mageNet数据集进行训练，得到CNN目标网络；选取VGG16网络结构，利用I mageNet数据集进行训练，得到VGG16目标网络；选取FCN网络结构，利用I mageNet数据集进行训练，得到FCN目标网络；将前视声呐图像特征代入CNN网络结构得到CNN迁移学习模型，将侧扫声呐图像特征代入VGG16网络结构得到VGG16迁移学习模型，将多波束测深声呐图像特征代入FCN网络结构得到FCN迁移学习模型。3.根据权利要求2所述的声呐图像识别方法，其特征在于，采用迁移学习模型进行训练的步骤包括：分别根据前视声呐图像数据集、多波束测深声呐图像数据集、侧扫声呐图像数据集的图像数量调整对应的CNN迁移学习模型、VGG16迁移学习模型、FCN迁移学习模型；将前视声呐图像数据集、多波束测深声呐图像数据集、侧扫声呐图像数据集对应代入CNN迁移学习模型、VGG16迁移学习模型、FCN迁移学习模型，获得对应的三组分类结果。4.根据权利要求1所述的声呐图像识别方法，其特征在于，对前视声呐图像数据集、多波束测深声呐图像数据集、侧扫声呐图像数据集进行预处理过程还包括，分别选取每组图像数据集的80％做训练集、20％做测试集。5.根据权利要求3所述的声呐图像识别方法，其特征在于，将前视声呐图像数据集...

【专利技术属性】
技术研发人员：范开国，王彪，郭飞，方芳，徐东洋，鱼蒙，
申请(专利权)人：中国人民解放军三二零二一部队，
类型：发明
国别省市：