【技术实现步骤摘要】
一种基于深度学习的三维避碰声呐障碍物检测方法及系统
[0001]本专利技术涉及无人航行器控制
，更具体的说，特别涉及一种基于深度学习的三维避碰声呐障碍物检测方法及系统。
技术介绍
[0002]对于声呐图像的检测与识别大多采用传统统计机器学习方法进行研究。然而，通过大量的研究实验结果表明，水下声呐目标图像由于波束众多，信噪比低，使用传统图像处理方式或者声信号处理方式不能提取到声呐目标深层次特征，也就导致了在复杂水下环境中目标检测效果不佳。
[0003]此外，由于水下目标检测一般都是应用于国家国防安全领域，不仅要对水下目标进行精确的检测，而且还需要对检测结果进行实时现场反馈。因此针对这些问题，如何能有效的结合水声学知识、统计机器学习理论及深度学习方法，以尽快突破水下目标检测瓶颈，做到高效的对水下目标进行智能检测，仍然是一项具有挑战性的研究。
技术实现思路
[0004]本专利技术的目的在于针对现有技术存在的技术问题，提供一种基于深度学习的三维避碰声呐障碍物检测方法及系统，可用于各类三维避碰声呐数据的处...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的三维避碰声呐障碍物检测方法，其特征在于：该检测方法的具体步骤包括如下：三维避碰声呐探测障碍物，并采集障碍物的三维点云数据；对所述三维点云数据进行处理，生成二维扇形图像，并在二维扇形图像中进行障碍物标注，得到训练图像样本；通过深度学习模型对所述训练图像样本进行训练，并对障碍物进行图像检测识别，获取障碍物的位置信息，得到所述位置信息对应的障碍物小图像；对所述障碍物小图像，基于自适应的双阈值检测算法进行图像分割，获取障碍物轮廓信息，并得到障碍物成像的平均灰度值；根据识别出的障碍物轮廓信息和成像的平均灰度值，进行三维点云数据栅格化处理生成三维栅格图像，获取障碍物的三维边界数据；将所述三维边界数据发送给AUV控制单元，实现对障碍物进行避碰控制。2.根据权利要求1所述的基于深度学习的三维避碰声呐障碍物检测方法，其特征在于：所述对三维点云数据进行处理，生成二维扇形图像，并在二维扇形图像中进行障碍物标注，具体包括如下：对所述三维点云数据进行降维处理，得到二维数组；将所述二维数组进行扇形展开，生成二维扇形图像，并得到障碍物的图像数据样本；根据所述图像数据样本中所有的二维扇形图像，按照设定像素尺寸大小进行裁剪，得到二维裁剪图像；在二维裁剪图像中进行障碍物标注得到障碍物区域，并对标注后的图像数据样本按比例分类，得到训练图像样本。3.根据权利要求2所述的基于深度学习的三维避碰声呐障碍物检测方法，其特征在于：采用最大值法对三维点云数据进行降维处理，在垂直方向取数列的最大值，将三维点云数据对应的三维数组降低为二维数组。4.根据权利要求1所述的基于深度学习的三维避碰声呐障碍物检测方法，其特征在于：所述通过深度学习模型对所述训练图像样本进行训练，具体包括如下：设置模型的训练参数，并采用YOLOV3深度学习模型对训练图像样本进行数据训练，得到模型权值文件；根据所述模型权值文件，在已标注障碍物区域的训练图像样本中，进行障碍物在线检测识别，进一步得到障碍物在所述障碍物区域中的位置信息；将所述位置信息对应的障碍物图像进行裁剪，生成障碍物小图像。5.根据权利要求4所述的基于深度学习的三维避碰声呐障碍物检测方法，其特征在于：所述深度学习模型的训练参数设置如下：批量大小设置为32，训练图像宽度和高度为512像素，分类数为1，filters参数为18，训练次数不小于20000次，损失函数值不能大于0.2。6.根据权利要求1所述的基于深度学习的三维避碰声呐障碍物检测方法，其特征在于：所述自适应双阈值图像分割算法，具体包括如下：采用最大类间方差法对障碍物小图像进行直方图统计，得到障碍物小图像的自适应分割阈值d
th
；根据所述自适应分割阈值d
th
，确定高低分割阈值并进行图像二值化，得到二值化分割
图像；将二值化分割图像进行形态学闭运算处理，去除孤立噪声点；根据处理后的分割图像，通过二值连通成分标记的序贯算法，分别对分割出的障碍物目标区域及背景区域进行连通性分析，对障碍物的目标区域内部的孔洞进行填充，得到完整的障碍物轮...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。