一种无人潜航器识别方法、设备和存储介质技术

本发明专利技术涉及计算机视觉技术领域，公开了一种无人潜航器识别方法、设备和存储介质。所述识别方法具体步骤为：将待识别图像输入目标检测网络识别无人潜航器，判断有无无人潜航器：若无无人潜航器，则处理下一张待识别图像；若有无人潜航器，则输出含有无人潜航器的待识别图像。然后将含有无人潜航器的待识别图像输入语义分割网络精准分割，得到最终的无人潜航器的语义分割结果。所述目标检测网络实时检测传感器采集的现实场景中的无人潜航器区域，然后利用语义分割网络实时提取无人潜航器的语义边缘特征和语义特征，可在最终的实时分割结果中保留更多的无人潜航器边缘信息，以实现无人潜航器位置的精准识别。潜航器位置的精准识别。

【技术实现步骤摘要】
一种无人潜航器识别方法、设备和存储介质


[0001]本专利技术涉及计算机视觉
，具体涉及一种无人潜航器识别方法、设备和存储介质。

技术介绍

[0002]计算机视觉技术是计算机模拟人类视觉的过程，是图像处理、人工智能和模式识别等技术的综合应用，它是具有感受环境的能力和人类视觉功能的一类技术。其中图像处理技术占据很大的比重，它利用计算机对图像信息进行识别与处理。目标检测就是图像处理技术中的一大重要分支，它使计算机具有和人眼一样的功能，可以“看到”所采集视野中的各类事物，并对每类事物进行定位与分类。目标检测技术十分重要且应用广泛，涉及生物特征识别、智慧交通以及工业检测等诸多领域，因此，目标检测技术已成为近年来学术界及工业界的研究应用热点。而图像分割则是在目标检测的基础之上，再次将计算机检测到的特定事物与其背景区分开，并归属为特定类别的另一大重要的图像处理技术，它的应用及研究意义在于能精确定位所采集场景中的各类事物。可以说，目标检测与图像分割是齐驱并驾的两类重要技术。语义分割是对图像中的每一个像素进行分类，并对图像中的对象进行语义标注，将对象的边缘与背景分隔开。目前广泛应用于医学图像与无人驾驶等领域。
[0003]无人潜航器是一种可以搭载仪器设备并能通过遥控或远程带缆操作完成水下特定任务的一种航行载体。随着海洋科考以及相关业务的不断增长，越来越多的水下技术不断应用于潜航器上，使无人潜航器发展成为民用和军用领域的重要力量。近些年世界各国都在努力研发技术更先进、工作能力更强、搭载模块更多、适用平台更广泛的无人潜航器，在关键技术的研发上投入较大的力量，无人潜航器势必将在市场竞争以及局部军事行动中起到重要作用。随着5G、人工智能等技术的日趋成熟，无人潜航器的多传感器智能识别、远程宽带信息传输、自主学习与信息智能处理等特点将更加凸显。因此，将计算机视觉技术与无人潜航器相关技术结合是很有意义的，利用目标检测及语义分割技术可对无人潜航器进行精准识别和定位，在这样的过程中，会节省出大批的人力物力，同时既高效又安全，是一项很值得研究且实用的应用技术。

技术实现思路

[0004]针对现有技术中存在的问题和不足，本专利技术的目的在于提供一种无人潜航器识别方法、设备和存储介质。
[0005]基于上述目的，本专利技术采用的技术方案如下：
[0006]本专利技术第一方面提供了一种无人潜航器识别方法，包括如下步骤：
[0007]S01：将待识别图像输入目标检测网络检测既定目标物，判断有无目标物：若无目标物，则处理下一张待识别图像；若有目标物，则输出含有目标物的待识别图像；
[0008]S02：将含有目标物的待识别图像输入语义分割网络精准分割，得到目标物的语义分割结果，实现目标物的精准识别和定位；
[0009]所述语义分割网络包括语义边缘特征提取分支和语义分割分支；其中，所述语义边缘特征提取分支用于提取输入的含有目标物的待识别图像中目标物的语义边缘特征图，所述语义分割分支用于提取输入的含有目标物的待识别图像中目标物的语义特征图；利用特征融合模块融合语义边缘特征图和语义特征图，得到最终的目标物的语义分割结果。
[0010]更加优选地，所述待识别图像包括三通道的彩色图像和/或单通道的红外图像。
[0011]更加优选地，所述目标检测网络为SSD卷积神经网络。
[0012]优选地，所述语义边缘特征提取分支包含5个残差块，5个上采样层和1个级联层，所述含有目标物的待识别图像从第一残差块输入，经第一残差块进行特征提取后生成一级语义边缘特征图；一级语义边缘特征图经第一上采样层处理后输入级联层，经第二残差块进行特征提取后生成二级语义边缘特征图；二级语义边缘特征图经第二上采样层处理后输入级联层，经第三残差块进行特征提取后生成三级语义边缘特征图；三级语义边缘特征图经第三上采样层处理后输入级联层，经第四残差块进行特征提取后生成四级语义边缘特征图；四级语义边缘特征图经第四上采样层处理后输入级联层，经第五残差块进行特征提取后生成五级语义边缘特征图；五级语义边缘特征图经第五上采样层处理后输入级联层；输入级联层的5张不同级别的语义边缘特征图经特征级联后，得到目标物的语义边缘特征图。
[0013]优选地，所述语义分割分支是以双边分割网络为基础网络进行改进得到的，其中所述双边分割网络包括上下文路径和空间路径，具体改进为：在双边分割网络上下文路径中的4倍下采样层上方添加1个2倍下采样层，并在4倍下采样层、8倍下采样层和16倍下采样层后分别插入1个特征融合模块，分别为第一特征融合模块、第二特征融合模块和第三特征融合模块；所述含有目标物的待识别图像从2倍下采样层输入，经2倍下采样层进行特征提取后生成一级语义特征图；一级语义特征图经4倍下采样层进行特征提取后生成二级语义特征图；二级语义特征图和语义边缘特征提取分支中第二残差块生成的二级语义边缘特征图通过第一特征融合模块进行特征融合，得到三级语义特征图；三级语义特征图经8倍下采样层进行特征提取后生成四级语义特征图；四级语义特征图和语义边缘特征提取分支中第三残差块生成的三级语义边缘特征图通过第二特征融合模块进行特征融合，得到五级语义特征图；五级语义特征图经16倍下采样层进行特征提取后生成六级语义特征图；六级语义特征图和语义边缘特征提取分支中第四残差块生成的四级语义边缘特征图通过第三特征融合模块进行特征融合，得到七级语义特征图；七级语义特征图输入32倍下采样层进行特征提取后进行输出。
[0014]优选地，所述目标物为无人潜航器。
[0015]本专利技术第二方面提供了一种语义分割网络的训练方法，所述训练方法的步骤具体为：
[0016]获取样本数据集，所述样本数据集中包括多张含有既定目标物的样本图像以及每张样本图像对应的样本标注语义分割图像，所述样本标注语义分割图像中含有目标物的样本标注区域和样本标注区域对应的类别信息；将样本图像输入语义分割网络中进行训练，生成样本预测语义分割图像，所述样本预测语义分割图像中含有目标物的样本特征区域和样本特征区域对应的类别信息；根据样本预测语义分割图像和样本标注语义分割图像构建损失函数，根据所述损失函数，采用反向传播对语义分割网络进行参数更新，得到训练好的语义分割网络；其中，所述语义分割网络为上述第一方面任一所述的语义分割网络。
[0017]优选地，所述损失函数包括1个主损失函数和3个辅助损失函数，其中，使用主损失函数来监督整个语义分割网络的输出，使用2个特定的辅助损失函数来监督语义分割分支中上下文路径的输出，使用1个特定的辅助损失函数来监督语义边缘特征提取分支的输出；所述主损失函数和监督语义分割分支中上下文路径输出的2个辅助损失函数是Softmaxt(交叉熵)损失函数，如式(1)所示；监督语义边缘特征提取分支输出的辅助损失函数，如式(2)所示；
[0018][0019]式(1)中，p表示网络的预测输出；
[0020][0021]式(2)中，θ表示非语义边缘像素占总像素的比例；k表示语义边缘类的数量，k等于3；Y表示图像语义的标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无人潜航器识别方法，其特征在于，包括如下步骤：S01：将待识别图像输入目标检测网络检测既定目标物，判断有无目标物：若无目标物，则处理下一张待识别图像；若有目标物，则输出含有目标物的待识别图像；S02：将含有目标物的待识别图像输入语义分割网络精准分割，得到目标物的语义分割结果，实现目标物的精准识别和定位；所述语义分割网络包括语义边缘特征提取分支和语义分割分支；其中，所述语义边缘特征提取分支用于提取输入的含有目标物的待识别图像中目标物的语义边缘特征图，所述语义分割分支用于提取输入的含有目标物的待识别图像中目标物的语义特征图；利用特征融合模块融合语义边缘特征图和语义特征图，得到最终的目标物的语义分割结果。2.根据权利要求1所述的无人潜航器识别方法，其特征在于，所述语义边缘特征提取分支包含5个残差块，5个上采样层和1个级联层，所述含有目标物的待识别图像从第一残差块输入，经第一残差块进行特征提取后生成一级语义边缘特征图；一级语义边缘特征图经第一上采样层处理后输入级联层，经第二残差块进行特征提取后生成二级语义边缘特征图；二级语义边缘特征图经第二上采样层处理后输入级联层，经第三残差块进行特征提取后生成三级语义边缘特征图；三级语义边缘特征图经第三上采样层处理后输入级联层，经第四残差块进行特征提取后生成四级语义边缘特征图；四级语义边缘特征图经第四上采样层处理后输入级联层，经第五残差块进行特征提取后生成五级语义边缘特征图；五级语义边缘特征图经第五上采样层处理后输入级联层；输入级联层的5张不同级别的语义边缘特征图经特征级联后，得到目标物的语义边缘特征图。3.根据权利要求2所述的无人潜航器识别方法，其特征在于，所述语义分割分支是以双边分割网络为基础网络进行改进得到的，其中所述双边分割网络包括上下文路径和空间路径，具体改进为：在双边分割网络上下文路径中的4倍下采样层上方添加1个2倍下采样层，并在4倍下采样层、8倍下采样层和16倍下采样层后分别插入1个特征融合模块，分别为第一特征融合模块、第二特征融合模块和第三特征融合模块；所述含有目标物的待识别图像从2倍下采样层输入，经2倍下采样层进行特征提取后生成一级语义特征图；一级语义特征图经4倍下采样层进行特征提取后生成二级语义特征图；二级语义特征图和语义边缘特征提取分支中第二残差块生成的二级语义边缘特征图通过第一特征融合模块进行特征融合，得到三级语义特征图；三级语义特征图经8倍下采样层进行特征提取后生成四级语义特征图；四级语义特征图和语义边缘特征提取分支中第三残差块生成的三级语义边缘特征图通过第二特征融合模块进行特征融合，得到五级语义特征图；五级语义特征图经16倍下采样层进行特征提取后生成六级语义特征图；六级语义特征图和语义边缘特征提取分支中第四残差块生成的四级语义边缘特征图通过第三特征融合模块进行特征融合，得到七级语义特征图；七级语义特征图输入32倍下采样层进行特征提取后进行输出。4.根据权利要求3所述的无人潜航器识别方法，其特征在于，所述目标物为无人潜航器。5.一种语义分割网络的训练方法，其特征在于，所述训练方法的步骤具体为：获取样本数据集，所述样本数据集中包...

【专利技术属性】
技术研发人员：王曰英，刘明康，周文举，吴乃龙，杨希祥，严怀成，付俊，费敏锐，姜斌，彭晨，李恒宇，李郅辰，
申请(专利权)人：上海大学，
类型：发明
国别省市：