一种基于混合算法的无人艇巡检及预警方法技术

本发明专利技术公开了一种基于混合算法的无人艇巡检及预警方法，通过无人艇视觉系统获得的水面图像特征分析水面目标，对其进行特征提取，特征提取之后形成一个目标特征库，通过卷积神经网络训练获得初筛水面目标图片集；通过多维度评价指标对初筛水面目标图片集中目标图像进行检测，精确筛选水面目标图片集；将图像检测得到的指标与参数一起带入基于YOLO算法的无人艇自主航行图像目标检测系统，通过执行海上目标混合算法智能检测系统测试流程获得海上目标预测结果，最后构建预警模型，预测可能发生的与海上目标预测结果的碰撞状态异常或正常，实现无人艇巡检及预警。基于混合算法快速准确地检测图像目标，实现无人艇巡检及预警。警。警。

【技术实现步骤摘要】
一种基于混合算法的无人艇巡检及预警方法


[0001]本专利技术属于无人艇巡检
，具体涉及一种基于混合算法的无人艇巡检及预警方法。

技术介绍

[0002]2022新一代北斗将为全球用户提供更精准、更可靠的服务，并通过星间链路实现星
‑
星组网、互联互通。同年中国电信“天通一号”全球首个规模最大的5G SA商用网络也为中国电信空中基站卫星精确定位提供了助力。随着空中基站和北斗卫星导航的商用，空中卫星商业数据的产生与地面、海洋关系越来越紧密。
[0003]各国对海洋权益的日益重视，无人艇作为一种人工智能平台，能够监测海洋环境、勘察水文地理和行使军事任务，已引起国内外智能研究机构的高度重视。要使无人艇能够在复杂多变的海洋环境自主航行，即无须人为操控便能根据自身获取的情息进行航行，则无人艇必须具备良好的环境感知能力和智能决策控制能力。
[0004]良好的环境感知能力是无人艇自主航行的前提和关键。目前获取海上目标信息的方式主要有四种：雷达图像、卫星图像、红外图像和视频图像。无论采用哪种方式获取海上目标信息，都需要对图像进行检测才能获取目标信息。雷达图像具有较强的探测能力，但在军事应用中易受干扰；卫星遥感尤其是SAR成像具有良好的穿遊肥且观判断，但是无法实现全天候、实时监测；红外成像只适用于夜间或光照不足，且消耗大；视频图像则具有全天候、成本低和实时性强等优势。

技术实现思路

[0005]本专利技术所要解决的技术问题是针对上述现有技术的不足，提供一种基于混合算法的无人艇巡检及预警方法。
[0006]为实现上述技术目的，本专利技术采取的技术方案为：
[0007]一种基于混合算法的无人艇巡检及预警方法，包括：
[0008]步骤一、通过无人艇视觉系统获得的水面图像特征分析水面目标，对其进行特征提取，特征提取之后形成一个目标特征库，通过卷积神经网络训练获得初筛水面目标图片集；
[0009]步骤二、通过多维度评价指标对初筛水面目标图片集中目标图像进行检测，精确筛选水面目标图片集；
[0010]步骤三、将步骤二图像检测得到的指标与参数一起带入基于YOLO算法的无人艇自主航行图像目标检测系统，通过执行海上目标混合算法智能检测系统测试流程获得海上目标预测结果，最后构建预警模型，预测可能发生的与海上目标预测结果的碰撞状态异常或正常，实现无人艇巡检及预警。
[0011]为优化上述技术方案，采取的具体措施还包括：
[0012]上述的水面目标包括船舶、岛屿、礁石。
[0013]上述的步骤一对水面目标进行纹理能量、纹理熵和纹理梯度特征提取；
[0014]纹理能量计算公式为：
[0015][0016]纹理熵计算公式为：
[0017][0018]纹理梯度计算公式为：
[0019][0020]其中，p(g1,g2)为水面目标图像中像素点，k为系数。
[0021]上述的步骤一所述卷积神经网络训练包括前向传播和后向传播两个阶段；
[0022]前向传播包括：
[0023]将图像数据输入卷积神经网络中；逐层通过卷积池化操作，输出每一层学习到的参数；最后经过全连接层和输出层得到更显著的特征；
[0024]反向传播包括：
[0025](1)通过网络计算最后一层的残差和激活值；
[0026](2)将最后一层的残差和激活值通过反向传递的方式逐层向前传递，使上一神经元根据误差来进行自身权值的更新；
[0027](3)根据残差进一步算出权重参数的梯度，并再调整卷积神经网络参数；
[0028](4)继续第(3)步，直到收敛或已达到最大迭代次数。
[0029]上述的步骤二所述多维度评价指标包括：
[0030](1)精确率，为检测出的所有目标中正确的比例；
[0031](2)召回率，为被正确定位识别的目标占总的目标数量的比例
[0032](3)F1score
[0033][0034]P和R分别对应Precision和Recal；
[0035](4)Precision
‑
Recal曲线；
[0036](5)平均精度，为每一类平均精度的均值。
[0037]上述的步骤三所述海上目标混合算法智能检测系统测试流程包括：
[0038]通过步骤一得到初筛水面目标图片集；
[0039]通过步骤二的F1score、Precision
‑
Recal曲线，将结果测试集的标签进行一一对比，若输入的类别和所框的物体区域与标签均一致，则检测图像成功，否则检测失败；
[0040]通过步骤二平均精度统计每一类的检测率，求均值，得到平均检测率mAP。
[0041]上述的步骤三所述预警模型为中，设置2个状态，一个是异常R1，另一个是正常R2，
提取出的海上检测目标结果特征值表示为：
[0042]T＝{t1,t2,...,t
12
}，表示平均检测率mAP值；
[0043]根据条件概率公式，在满足特征值T的条件下，疑似异常被判为R1的概率为：
[0044][0045]其中,P(T|R1)表示在样本集中的异常子集中出现特征值T的概率，P(R1)表示整个样本集中异常子集所占的比重；
[0046]在出现特征值T的条件下疑似异常被判为R2的概率表示为
[0047][0048]其中,P(T|R2)表示在样本集中的正常子集中出现特征值T的概率，P(R2)表示整个样本集中正常子集所占的比重；
[0049]如果P(R1|T)>P(R2|T),则认为所监测的平均检测率mAP值指标异常；反之，则为正常。
[0050]本专利技术具有以下有益效果：
[0051]通过无人艇视觉系统获得的水面图像特征分析水面目标包括船舶、岛屿、礁石等。因此，从水面目标的外围轮廓与表面性质两个方面进行特征提取与分析，特征提取之后形成一个目标特征库。然后通过卷积申请训练过程获得初筛水面目标图片集。其次，通过多维度评价指标对目标图像进行检测。二次精确筛选水面目标图片集。然后，将步骤二图像检测步骤1
‑
5与参数一起带入基于YOLO算法的无人艇自主航行图像目标检测系统。通过执行海上目标混合算法智能检测系统测试流程获得海上目标预测结果。最后，构建预警模型，预测可能发生的与海上目标预测结果的碰撞状态异常或正常。基于混合算法快速准确地检测图像目标，实现无人艇巡检及预警。
附图说明
[0052]图1为本专利技术基于混合算法的无人艇巡检及预警方法流程图；
[0053]图2为本专利技术不同阈值条件下Precision与Recal的变化情况；
[0054]图3为本专利技术YOLO算法流程。
具体实施方式
[0055]以下结合附图对本专利技术的实施例作进一步详细描述。
[0056]如图1所示，一种基于混合算法的无人艇巡检及预警方法，包括：...

【技术保护点】

【技术特征摘要】
1.一种基于混合算法的无人艇巡检及预警方法，其特征在于，包括：步骤一、通过无人艇视觉系统获得的水面图像特征分析水面目标，对其进行特征提取，特征提取之后形成一个目标特征库，通过卷积神经网络训练获得初筛水面目标图片集；步骤二、通过多维度评价指标对初筛水面目标图片集中目标图像进行检测，精确筛选水面目标图片集；步骤三、将步骤二图像检测得到的指标与参数一起带入基于YOLO算法的无人艇自主航行图像目标检测系统，通过执行海上目标混合算法智能检测系统测试流程获得海上目标预测结果，最后构建预警模型，预测可能发生的与海上目标预测结果的碰撞状态异常或正常，实现无人艇巡检及预警。2.根据权利要求1所述的一种基于混合算法的无人艇巡检及预警方法，其特征在于，所述水面目标包括船舶、岛屿、礁石。3.根据权利要求1所述的一种基于混合算法的无人艇巡检及预警方法，其特征在于，步骤一对水面目标进行纹理能量、纹理熵和纹理梯度特征提取；纹理能量计算公式为：纹理熵计算公式为：纹理梯度计算公式为：其中，p(g1,g2)为水面目标图像中像素点，k为系数。4.根据权利要求1所述的一种基于混合算法的无人艇巡检及预警方法，其特征在于，步骤一所述卷积神经网络训练包括前向传播和后向传播两个阶段；前向传播包括：将图像数据输入卷积神经网络中；逐层通过卷积池化操作，输出每一层学习到的参数；最后经过全连接层和输出层得到更显著的特征；反向传播包括：(1)通过网络计算最后一层的残差和激活值；(2)将最后一层的残差和激活值通过反向传递的方式逐层向前传递，使上一神经元根据误差来进行自身权值的更新；(3)根据残差进一步算出权重参数的梯度，并再调整卷积神经网络参数；(4)继续第(3)步，直到收敛或已达到最大迭代次数。5.根据权利要求1所述的一种基于混合算法的无人艇巡检...

【专利技术属性】
技术研发人员：朱文进，
申请(专利权)人：中电信数智科技有限公司，
类型：发明
国别省市：