一种基于轻量型卷积网络的多角度声呐图像目标分类方法技术

本发明专利技术涉及水下目标识别领域，尤其涉及基于轻量型卷积网络的多角度声呐图像目标分类方法，所述方法包括：(1)对声呐图像进行处理，获得多角度声呐图像数据集；(2)获取图像训练集与验证集；(3)构建基于轻量型网络的多角度声呐图像目标分类模型；(4)利用数据集对上述模型进行迭代训练；(5)获取目标分类结果。本发明专利技术利用多个角度的声呐图像进行目标分类，相较于单角度图像而言能够更加全面地描述目标散射特性，由此对目标进行属性判别，拥有更高的准确度，同时轻量化的网络模型也能够减小资源消耗，为实际应用提供可能。为实际应用提供可能。为实际应用提供可能。

【技术实现步骤摘要】
一种基于轻量型卷积网络的多角度声呐图像目标分类方法


[0001]本专利技术涉及水声信号处理领域，尤其涉及一种基于轻量型卷积网络的多角度声呐图像目标分类方法。

技术介绍

[0002]近年来，声呐成像技术日渐成熟，目前已经成为水下图像获取的重要途径，在军事以及民用领域都有广泛的应用。声呐设备可以直观地提供水下目标的全局信息，对水下光源没有依赖，实用性强。声呐图像是目标散射信息在二维图像中的映射，可能存在混叠、畸变，这使声呐图像在视觉上更难解释与理解。因此，从声呐图像中识别出目标的真实属性，是一直以来的研究热点。
[0003]随着深度学习相关理论的发展，基于深度学习的目标识别技术得到了广泛应用，很多学者设计了不同的卷积网络来对声呐图像中的目标进行检测和识别，并取得了较好的效果，但是大多数方法均基于单角度声呐图像。在声呐成像过程中，对于同一观测目标，不同角度下所得目标的声呐图像会有较大差别，而不同目标在某一角度下又具有较大的相似性。因此，基于单角度声呐图像的目标识别具有一定局限性。
[0004]同一目标的多角度声呐图像序列中蕴含着目标在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于轻量型卷积网络的多角度声呐图像目标分类方法，所述方法包括：将目标的多个角度的单通道声呐图像预处理后进行信息融合，获得目标的多角度声呐图像；将目标的多角度声呐图像输入预选建立并训练好的基于轻量型卷积网络的多角度声呐图像目标分类模型中，得到目标分类结果；其中，所述多角度声呐图像目标分类模型通过对轻量型MobileNetV2网络改进得到；所述对轻量型MobileNetV2网络改进，包括：去掉轻量型MobileNetV2网络中特征提取卷积层Conv2之后的网络层，并修改特征提取卷积层Conv2的通道数；添加Flatten层实现降维操作，并且添加Dropout层进行随机丢弃，最后添加一个全连接层对结果进行分类。2.根据权利要求1所述的基于轻量型卷积网络的多角度声呐图像目标分类方法，其特征在于，所述多角度声呐图像目标分类模型具体包括：特征提取模块和分类模块；其中，所述特征提取模块包括输入层Input、特征提取卷积层Conv1、瓶颈层Bottleneck1
‑
Bottleneck7、特征提取卷积层Conv2、Flatten层和Dropout层；其中，特征提取卷积层Conv2的通道数为128，Dropout层的丢弃率为0.5；所述分类模块包括一个全连接层。3.根据权利要求2所述的基于轻量型卷积网络的多角度声呐图像目标分类方法，其特征在于，所述多角度声呐图像目标分类模型的处理过程具体包括：输入层Input将目标的多角度声呐图像送入特征提取卷积层Conv1；具有3
×
3卷积核的特征提取卷积层Conv1对多角度声呐图像进行特征图提取，并输入瓶颈层Bottleneck1
‑
Bottleneck7；瓶颈层Bottleneck1
‑
Bottleneck7中每一层Bottleneck均包括：第一标准卷积、一个深度可分离卷积和第二标准卷积；首先，1
×
1的第一标准卷积进行维度扩展操作，其次，3
×
3的深度分离卷积进行特征提取，最后，1
×
1的第二标准卷积将数据进行压缩；瓶颈层Bottleneck1
‑
Bottleneck7中每一层Bottleneck依次对特征图进行处理，并将处理后的特征图输入特征提取卷积层Conv2；特征提取卷积层Conv2的通道数设置为128，对特征图进行处理并输入到Flatten层；Flatten层将特征图转化为一维，并输入到Dropout层；Dropout层对特征图进行随机丢弃处理；全连接层将目标分类并输出目标分类结果，即目标属于某一类别的概率。4.根据权利要求3所述的基于轻量型卷积网络的多角度声呐图像目标分类方法，其特征在于，所述第一标准卷积使用函数ReLU6(x)进行激活，表达式为：ReLU6(x)＝min(6,max(x,0))其中，x表示激活函数输入值，min(
·
)表示取最小值函数，max(
·
)表示取最大值函数；所述第二标准卷积使用函数Linea(x)进行激活，表达式为：Linear(x)＝x。5.根据权利要求4所述的基于轻量型卷积网络的多角度声呐图像目标分类方法，其特征在于，所述深度可分离卷积使用标准化BN层进行正则化，表达式为：
其中，为卷积层的输出结果，m表示当前网络层节点的总个数，x
i
表示当前网络层第i个节点的值，μ
B
和分别表示均值和方差，y
i
为归一化后的输出结果，表示归一化后的x
i
值，ε表示正则化因子，γ和β为可学习重构参数；所述深度可分离卷积使用函数ReLU6(x)进行激活，表达式为：ReLU6(x)＝min(6,max(x,0))。6....

【专利技术属性】
技术研发人员：巩文静，田杰，刘纪元，
申请(专利权)人：中国科学院声学研究所，
类型：发明
国别省市：