渔网检测模型的训练方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种渔网检测模型的训练方法、装置、计算机设备和存储介质。所述方法包括：获取样本图像；对所述样本图像中的渔网进行标注，得到第一图像；对所述第一图像进行预处理，得到第二图像；将所述第二图像进行小波变换，得到多个光谱特征图；将所述第二图像和所述多个光谱特征图输入到SSD检测框架中进行训练，得到渔网检测模型。其中，由于小波变换后得到的光谱特征图中具有较多的渔网特征，将光谱特征图和第二图像加入到SSD检测框架中进行融合训练，增加了训练时信息编码的复杂度，从而提升了渔网检测模型的识别率。升了渔网检测模型的识别率。升了渔网检测模型的识别率。

【技术实现步骤摘要】
渔网检测模型的训练方法、装置、计算机设备和存储介质


[0001]本申请涉及图像处理
，特别是涉及一种渔网检测模型的训练方法、装置、计算机设备和存储介质。

技术介绍

[0002]随着渔业的多源化发展，在近海海域内存在大量的渔网，渔网散落在海域内，容易缠绕螺旋桨，对船只的安全航行造成了极大的潜在威胁。
[0003]传统的渔网检测方法是在获取航拍图像后，通过Canny边缘检测算子对航拍图像中的渔网进行边缘检测，而由于航拍图像中的渔网通常较小，通过边缘检测确定渔网的方法难以实现对渔网的准确检测。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够提高渔网检测准确性的渔网检测模型的训练方法、装置、计算机设备和存储介质。
[0005]第一方面，本申请提供了一种渔网检测模型的训练方法。渔网检测模型的训练方法包括：
[0006]获取样本图像；
[0007]对样本图像中的渔网进行标注，得到第一图像；
[0008]对第一图像进行预处理，得到第二图像；
[0009]将第二图像进行小波变换，得到多个光谱特征图；
[0010]将第二图像和多个光谱特征图输入到SSD检测框架中进行训练，得到渔网检测模型。
[0011]在其中一个实施例中，将第二图像进行小波变换，得到多个光谱特征图，包括：
[0012]利用haar小波将第二图像进行三层分解，依次得到第一光谱特征图、第二光谱特征图和第三光谱特征图。
[0013]在其中一个实施例中，SSD检测框架的主干网络是VGG网络，将第二图像和多个光谱特征图输入到SSD检测框架中进行训练，包括：
[0014]将第二图像输入至VGG网络中进行卷积特征提取和池化，得到第一特征图；
[0015]将第一特征图和第一光谱特征图进行合并，得到第二特征图；
[0016]将第二特征图进行卷积特征提取和池化，得到第三特征图；
[0017]将第三特征图和第二光谱特征图进行合并，得到第四特征图；
[0018]将第四特征图进行卷积特征提取和池化，得到第五特征图；
[0019]将第五特征图和第三光谱特征图进行合并，得到第六特征图；
[0020]利用第六特征图进行训练。
[0021]在其中一个实施例中，对样本图像中的渔网进行标注，得到第一图像之后，方法还包括：
[0022]确定第一图像的颜色分布信息；
[0023]根据颜色分布信息对第一图像进行标准化处理。
[0024]在其中一个实施例中，对第一图像进行预处理，得到第二图像，包括：
[0025]利用均值模板对第一图像进行卷积运算；
[0026]对卷积运算后得到的数据进行对数变换，得到第二图像。
[0027]在其中一个实施例中，渔网检测模型的训练方法还包括：
[0028]获取包含有渔网的图像数据；
[0029]将图像数据输入至渔网检测模型，得到渔网检测模型输出的渔网信息。
[0030]第二方面，本申请还提供了一种渔网检测模型的训练装置。渔网检测模型的训练装置包括：
[0031]样本获取模块，用于获取样本图像；
[0032]图像标注模块，用于对样本图像中的渔网进行标注，得到第一图像；
[0033]预处理模块，用于对第一图像进行预处理，得到第二图像；
[0034]小波变换模块，用于将第二图像进行小波变换，得到光谱特征图；
[0035]模型训练模块，用于将第二图像和光谱特征图输入到SSD检测框架中进行训练，得到渔网检测模型。
[0036]第三方面，本申请还提供了一种计算机设备。计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
[0037]获取样本图像；
[0038]对样本图像中的渔网进行标注，得到第一图像；
[0039]对第一图像进行预处理，得到第二图像；
[0040]将第二图像进行小波变换，得到多个光谱特征图；
[0041]将第二图像和多个光谱特征图输入到SSD检测框架中进行训练，得到渔网检测模型。
[0042]第四方面，本申请还提供了一种计算机可读存储介质。计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
[0043]获取样本图像；
[0044]对样本图像中的渔网进行标注，得到第一图像；
[0045]对第一图像进行预处理，得到第二图像；
[0046]将第二图像进行小波变换，得到多个光谱特征图；
[0047]将第二图像和多个光谱特征图输入到SSD检测框架中进行训练，得到渔网检测模型。
[0048]第五方面，本申请还提供了一种计算机程序产品。计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
[0049]获取样本图像；
[0050]对样本图像中的渔网进行标注，得到第一图像；
[0051]对第一图像进行预处理，得到第二图像；
[0052]将第二图像进行小波变换，得到多个光谱特征图；
[0053]将第二图像和多个光谱特征图输入到SSD检测框架中进行训练，得到渔网检测模
型。
[0054]上述渔网检测模型的训练方法、装置、计算机设备、存储介质和计算机程序产品，通过获取样本图像；对样本图像中的渔网进行标注，得到第一图像；对第一图像进行预处理，得到第二图像；将第二图像进行小波变换，得到多个光谱特征图；将第二图像和多个光谱特征图输入到SSD检测框架中进行训练，得到渔网检测模型。其中，由于小波变换后得到的光谱特征图中具有较多的渔网特征，将光谱特征图和第二图像加入到SSD检测框架中进行融合训练，增加了训练时信息编码的复杂度，从而提升了渔网检测模型的识别率。
附图说明
[0055]图1为一个实施例中渔网检测模型的训练方法的流程示意图；
[0056]图2为一个实施例中对图像进行第一层haar小波分解的示意图；
[0057]图3为一个实施例中VGG网络的训练示意图；
[0058]图4为另一个实施例中渔网检测模型的训练方法的流程示意图；
[0059]图5为一个实施例中渔网检测模型的训练装置的结构框图；
[0060]图6为一个实施例中计算机设备的内部结构图。
具体实施方式
[0061]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
[0062]图1为一个实施例中渔网检测模型的训练方法的流程示意图，如图1所示，提供了一种渔网检测模型的训练方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法可以包括以下本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种渔网检测模型的训练方法，其特征在于，所述方法包括：获取样本图像；对所述样本图像中的渔网进行标注，得到第一图像；对所述第一图像进行预处理，得到第二图像；将所述第二图像进行小波变换，得到多个光谱特征图；将所述第二图像和所述多个光谱特征图输入到SSD检测框架中进行训练，得到渔网检测模型。2.根据权利要求1所述的方法，其特征在于，所述将所述第二图像进行小波变换，得到多个光谱特征图，包括：利用haar小波将所述第二图像进行三层分解，依次得到第一光谱特征图、第二光谱特征图和第三光谱特征图。3.根据权利要求2所述的方法，其特征在于，所述SSD检测框架的主干网络是VGG网络，所述将所述第二图像和所述多个光谱特征图输入到SSD检测框架中进行训练，包括：将所述第二图像输入至所述VGG网络中进行卷积特征提取和池化，得到第一特征图；将所述第一特征图和所述第一光谱特征图进行合并，得到第二特征图；将所述第二特征图进行卷积特征提取和池化，得到第三特征图；将所述第三特征图和所述第二光谱特征图进行合并，得到第四特征图；将所述第四特征图进行卷积特征提取和池化，得到第五特征图；将所述第五特征图和所述第三光谱特征图进行合并，得到第六特征图；利用所述第六特征图进行训练。4.根据权利要求1至3中任意一项所述的方法，其特征在于，所述对所述样本图像中的渔网进行标注，得到第一图像之后，所述方法还包括：确定所述第一图像的颜色分布信息；根据所述颜...

【专利技术属性】
技术研发人员：余超，邓杰，胡哲，岑贞锦，黄永立，朱德高，龙跃，林斯保，梁健，王家彬，邢书浩，陈航伟，汲广，蒋道宇，左干清，吕辉锋，赵刚，李鑫，李志龙，吴青帅，王尤河，石豪利，邹健彬，高宇，曾开宇，方奇，游日晴，赵如磊，郑力勇，周兴杰，王宁，王启颖，陈诚，黄小卫，张维佳，蔡驰，李晓骏，陈奕钪，林道英，郭星阳，魏千翔，赵李强，王宇帆，苏地文，
申请(专利权)人：中国南方电网有限责任公司超高压输电公司广州局，
类型：发明
国别省市：