水下船底可疑目标检测方法、装置、电子设备及可读介质制造方法及图纸

本发明专利技术公开了一种水下船底可疑目标检测方法、装置、电子设备及可读介质，包括：获取待检测水下图像；利用暗通道去雾算法和MSR图像增强算法对所述待检测水下图像进行预处理得到输入图像；将所述输入图像输入训练好的YOLOv3网络中，输出目标检测结果，其中所述YOLOv3网络对训练集数据的锚框获取使用K

【技术实现步骤摘要】
水下船底可疑目标检测方法、装置、电子设备及可读介质


[0001]本专利技术涉及图像处理
，尤其涉及一种水下船底可疑目标检测方法、装置、电子设备及可读介质。

技术介绍

[0002]船舶是我国重要的大型涉水设备；然而目前船舶水面以下部分的安检手段极度匮乏，是重要的安全隐患；例如，海洋附着生物会给船体及水下抽排水管道及一切海洋设施造成很大的破坏作用；另外，一些边缘尖锐的可疑漂浮物会划破船底的保护油漆，从而使船舶表面金属加速腐蚀、更易聚集海洋附着生物等等。
[0003]目前，针对船底附着物的危害，一般有通过人工手工的方法清除，或是涂上一种特殊的对海洋生物有毒性的特殊防污漆，或是人工操作塑钢制作的爬式工具(水下机器人)清扫附着物；以上方法中，人工清除耗时耗力；涂敷特殊油漆，其损耗很高，需要频繁地定期维护，并且油漆可能会被尖锐的海上漂浮物破坏；水下机器人是一种较为便捷、智能的方案；然而需要清除船底所有的附着物及聚集物，水下机器人的人工操作的方式在面对这种视野受限、无法得知可疑目标位置的情况下显得较为笨拙。
[0004]手工设计的特征费时费力，而船底可疑目标的在水下的背景颇为复杂，且数量不定，从单个可以分辨到密密麻麻地堆积的情况都有，现有的检测方法运行时往往耗时长，且无法自适应目标的稀疏程度而检测。

技术实现思路

[0005]本专利技术实施例的目的是提供一种水下船底可疑目标检测方法、装置、电子设备及可读介质，以解决或部分解决现在存在的对分布不均匀的目标识别困难的问题。
[0006]为了达到上述目的，本专利技术实施例所采用的技术方案如下：
[0007]第一方面，本专利技术实施例提供一种水下船底可疑目标检测方法，包括：
[0008]获取待检测水下图像；
[0009]利用暗通道去雾算法和MSR图像增强算法对所述待检测水下图像进行预处理得到输入图像；
[0010]将所述输入图像输入训练好的YOLOv3网络中，输出目标检测结果，其中所述YOLOv3网络对训练集数据的锚框获取使用K
‑
means++算法，在非极大值抑制的筛选时使用基于MSCNN动态阈值算法。
[0011]进一步地，在将所述输入图像输入训练好的YOLOv3网络之前，还包括：
[0012]通过数据扩充方法获取训练数据集；
[0013]利用所述训练数据集对所述YOLOv3网络进行训练，得到训练好的YOLOv3网络。
[0014]进一步地，所述通过数据扩充获取训练数据集，具体包括：
[0015]通过水平翻转、上下翻转、旋转预设角度、随机缩放、随机裁剪以及添加噪声中的一种
[0016]或多种方法获取训练数据集。
[0017]进一步地，对训练集数据锚框的获取使用K
‑
means++算法，具体包括：
[0018]在训练集数据中选择1个随机数据作为初始中心，以交并比作为距离的度量单位来计算所有样本与质心的距离，其中所述交并比为两个预测框的重叠部分的宽和长，即用两个预测框的交集面积除以并集面积；
[0019]用轮盘法筛选下一个满足条件的聚类中心，重复以上步骤，直至找到k个聚类中心；
[0020]针对数据集中每个样本，计算它到k个聚类中心的距离并将其分到距离最小的聚类中心所对应的簇中；
[0021]针对每个簇，重新根据平均距离计算该簇的聚类中心，直至到达预设迭代次数或者聚类中心不再变化为止；
[0022]计算每一个簇的平均交并比，将得到的k个长和宽转换为相对比例，作为预训练的锚框。
[0023]进一步地，在非极大值抑制的筛选时使用基于MSCNN动态阈值算法，具体包括：
[0024]将所述输入图像输入到MSCNN网络中，获取热力图，将其正则化，获得一个区间在(0,1)的稀疏矩阵；
[0025]利用金字塔最大池化法将所述稀疏矩阵转化为动态阈值矩阵；
[0026]在YOLOv3网络中应用动态阈值矩阵获得基于目标稀疏程度的阈值，并根据所述阈值在非极大值抑制的步骤中进行筛选目标候选区域。
[0027]第二方面，本专利技术实施例还提供一种水下图像目标检测装置，包括：
[0028]获取模块，用于获取待检测水下图像；
[0029]预处理模块，用于利用暗通道去雾算法和MSR图像增强算法对所述待检测水下图像进行预处理得到输入图像；
[0030]目标检测模块，用于将所述输入图像输入训练好的YOLOv3网络中，输出目标检测结果，其中所述YOLOv3网络对训练集数据的锚框获取使用K
‑
means++算法，在非极大值抑制的筛选时使用基于MSCNN动态阈值算法。
[0031]第三方面，本专利技术实施例还提供一种电子设备，包括处理器、通信接口、存储器和总线，其中，处理器，通信接口，存储器通过总线完成相互间的通信，处理器可以调用存储器中的逻辑指令，以执行如第一方面所述的水下图像目标检测方法。
[0032]第四方面，本专利技术实施例还提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如第一方面所述的水下图像目标检测方法。
[0033]根据以上技术方案，本专利技术的有益效果是：
[0034]本专利技术采用K
‑
means++的聚类函数代替了原来的K
‑
means算法，使预训练获取的anchor box检测到目标物的可能性更高；K
‑
mean++在K
‑
means基础上选择随机样本而非随机数据作为初始质心，用轮盘法选出下一个聚类中心；另外在进行非极大值抑制之前，将所有候选框的信息输入到MSCNN网络中，生成密度云图，将密度云图获得的概率矩阵正则化，获得一个区间在(0,1)的稀疏矩阵；然后利用金字塔最大池化法将其转化为与YOLO网格等大小的动态阈值矩阵；然后在YOLO中根据矩阵获得目标稀疏程度的阈值，应用该阈值进行
动态地筛选候选框。
[0035]本专利技术使用的K
‑
means++，在目标的预训练时获取更精准的anchor box(在原数据集的对比试验中取得了更高的精度)，本专利技术使用的MSCNN动态阈值矩阵根据目标的稀疏程度而进行候选框的筛选，对水下目标的数目不确定的情况有很好的检测效果。
[0036]本专利技术提出的基于YOLO神经网络的水下船底可疑目标检测召回率为94.6％，平均精确率为93.3％，全类平均正确率为91.7％，检测速度为0.2s/张，本专利技术所述的检测方法具有较高的检测精度和良好的实时性。
附图说明
[0037]此处所说明的附图用来提供对本专利技术的进一步理解，构成本专利技术的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：
[0038]图1为本专利技术实施例提供的一种水下船底可疑目标检测方法的流程图；
[0039]图2为本专利技术实施例提供的一种本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种水下船底可疑目标检测方法，其特征在于，包括：获取待检测水下图像；利用暗通道去雾算法和MSR图像增强算法对所述待检测水下图像进行预处理得到输入图像；将所述输入图像输入训练好的YOLOv3网络中，输出目标检测结果，其中所述YOLOv3网络对训练集数据的锚框获取使用K
‑
means++算法，在非极大值抑制的筛选时使用基于MSCNN动态阈值算法。2.根据权利要求1所述的一种水下船底可疑目标检测方法，其特征在于，在将所述输入图像输入训练好的YOLOv3网络之前，还包括：通过数据扩充方法获取训练数据集；利用所述训练数据集对所述YOLOv3网络进行训练，得到训练好的YOLOv3网络。3.根据权利要求2所述的一种水下船底可疑目标检测方法，其特征在于，所述通过数据扩充获取训练数据集，具体包括：通过水平翻转、上下翻转、旋转预设角度、随机缩放、随机裁剪以及添加噪声中的一种或多种方法获取训练数据集。4.根据权利要求1所述的一种水下船底可疑目标检测方法，其特征在于，对训练集数据锚框的获取使用K
‑
means++算法，具体包括：在训练集数据中选择1个随机数据作为初始中心，以交并比作为距离的度量单位来计算所有样本与质心的距离，其中所述交并比为两个预测框的重叠部分的宽和长，即用两个预测框的交集面积除以并集面积；用轮盘法筛选下一个满足条件的聚类中心，重复以上步骤，直至找到k个聚类中心；针对数据集中每个样本，计算它到k个聚类中心的距离并将其分到距离最小的聚类中心所对应的簇中；针对每个簇，重新根据平均距离计算该簇的聚类中心，直至到达预设迭代次数或者聚类中心不再变化为止；计算每一个簇的平均交并比，将得到的k个长和宽转换为相对比例，作为预训练的锚框。5.根据权利要求1或4所述的一种水下船底可疑目标检测方法，其特征在于，在非极大值抑制的筛选时使用基于MSCNN动态阈值算法，具体包括：将所述输入图像输入到MSCNN网络中，获取热力图，将其正则化，获得一个区间在(0,1)的稀疏矩阵；利用金字塔最大池化法将所述稀疏矩阵转化为动态阈值矩阵；在YOLOv3网络中应用动态阈值矩阵获得基于目标稀疏程度的阈值，并根据所述阈值在非极大值抑制的步骤中进行筛选目标候选区域。6....

【专利技术属性】
技术研发人员：黄慧，蒋吉庆，黄豪彩，詹舒越，
申请(专利权)人：浙江大学，
类型：发明
国别省市：