一种基于水下先验信息感知的声呐目标检测方法技术

本发明专利技术公开了一种基于水下先验信息感知的声呐目标检测方法，包括步骤

【技术实现步骤摘要】
一种基于水下先验信息感知的声呐目标检测方法


[0001]本专利技术属于人工智能与水声工程
，具体涉及一种基于水下先验信息感知的声呐目标检测方法
。

技术介绍

[0002]海洋开发和利用对于我国的快速发展起到重要意义
。
成像声呐作为海洋探测的关键设备近年来取得了重要进展，相应的声呐图像智能解译技术也得到了广泛关注和研究
。
声呐目标检测作为声呐图像智能解译的基础任务在军用和民用领域均发挥着重要作用
。
在军用领域，声呐目标检测能够用于敌方潜艇实时监测
、
作战目标定位
、
鱼雷搜索等实际作战需求
。
在民用领域，声呐目标检测能够用于水下考古
、
海岸线测绘
、
水下救援等多种重要应用
。
因此，准确高效的检测出声呐图像中所包含的目标区域尤为重要
。
[0003]相较于光学图像，声呐图像具有信噪比低
、
分辨率低
、
有效像素点少
、<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于水下先验信息感知的声呐目标检测方法，其特征在于，包括以下步骤：步骤1：构建基于水下先验信息感知的目标检测网络；所述的目标检测网络包括基础特征提取网络
、
多尺度特征金字塔模块
、
感兴趣区域池化模块
、
特征相关性模块
、
分类回归网络和非极大值抑制模块；步骤2：使用成像声呐在湖底或海底环境中采集声呐图像，将采集后的图像统一缩放为
512
×
512
分辨率，然后通过人工判读声纳图像中所包含的目标类别并赋予标签，得到具有样本标签的声呐图像数据集；步骤3：对步骤2得到的具有样本标签的声呐图像数据集根据7：2：1的比例分别划分为训练集
、
验证集和测试集；步骤4：构建由置信度损失函数和定位损失函数通过加权求和组成的级联损失函数；步骤5：将步骤3得到的训练集和验证集输入到步骤1构建的基于水下先验信息感知的声呐目标检测网络进行模型训练，并利用步骤4构建的级联损失函数进行模型参数优化，得到优化的基于水下先验信息的声呐目标检测网络模型；步骤6：将步骤3得到的测试集输入到步骤5得到的优化后多级特征融合目标检测网络，完成声呐目标检测
。2.
如权利要求1所述的基于水下先验信息感知的声呐目标检测方法，其特征在于，步骤1中所述的基础特征提取网络包括四个多尺度卷积模块
、
三个多级特征提取模块
、
五个近邻通道注意力机制和一个多级特征融合模块；每个所述的多尺度卷积模块由四个不同卷积核大小的分组卷积构成，第一个分组卷积核的大小为3×3，第二个分组卷积核的大小为5×5，第三个分组卷积核的大小为7×7，第四个分组卷积核的大小为9×9；四个分组卷积分别输出不同尺度特征图；每个所述的多级特征提取模块由四个空洞卷积和一个自适应池化组成；不同空洞卷积的卷积核大小均为3×3，对应的空洞系数分别设置为1，3，5和7；自适应池化的大小设置为2×2，步长设置为1；多级特征提取模块输出具有全局信息的特征图；每个所述的近邻通道注意力机制由全局平均池化和三个一维卷积构成；全局平均池化用于对多尺度卷积模块和多级特征提取模块输出的特征图进行尺度归一化，三个一维卷积的大小均设置为1×1；近邻通道注意力机制建立不同特征之间的相关性；所述的多级特征融合模块由全局平均池化
、
四个卷积模块和一个级联模块组成；全局平均池化用于对多尺度卷积模块
、
多级特征提取模块
、
近邻通道注意力机制的输出特征进行尺度归一化；四个卷积模块的卷积核大小分别设置为1×
1、3
×
3、5
×5和7×7；级联模块用于对四个卷积模块的输出特征图进行融合；多级特征融合模块输出基础特征提取网络的最终融合特征
。3.
如权利要求1所述的基于水下先验信息感知的声呐目标检测方法，其特征在于，步骤1中所述的多尺度特征金字塔模块由一列自上而下传递和一列自下而上传递的包含不同大小卷积核尺寸的卷积模块构成；所述的自上而下传递的卷积由四个1×1和一个3×3大小的卷积模块构成；所述的自下而上传递的卷积由四个3×3大小和一个1×1大小的卷积模块构成；不同卷积之间通过上采样和下采样操作进行...

【专利技术属性】
技术研发人员：王振，王旭启，于长青，张善文，
申请(专利权)人：西京学院，
类型：发明
国别省市：