【技术实现步骤摘要】
本专利技术涉及图像通讯，尤其涉及一种基于水下声纳图像的水下小目标检测方法。
技术介绍
1、声纳是目前水下小目标探测中最常用、最关键的设备，这是由于声波在水中的衰减和色散较小，能比电磁波和光波传播更远的范围，使得声纳具有可视化水下动态环境的能力，非常适合于探测从海底突出的小物体。但是声纳图像的分辨率相较于一般的可见光图像更低，并更容易受到各种海杂波噪声干扰导致图像中的目标轮廓模糊，尤其是水雷等小目标甚至还会发生形状较大幅度变化，这些问题都使得基于水下声纳图像的小目标检测极具挑战性。此外，在水下环境中，声纳数据的传输速率受到严重限制，难以被很快传输送至远程高性能计算平台上实时处理，基于上述问题，设计能够被部署应用于小型水下无人航行器上的实时高精度目标检测深度神经网络对水下小目标进行精准探测是非常有必要的。
技术实现思路
1、本专利技术所要解决的技术问题是提供一种基于水下声纳图像的水下小目标检测方法，通过三个阶段对目标检测深度神经网络的各个模块进行训练，从而对各模块的参数进行调整，得到的最终目标检测深度神经网络，可以适用于水下小目标的精准检测。
2、本专利技术是通过以下技术方案予以实现：
3、一种基于水下声纳图像的水下小目标检测方法，其包括如下步骤：
4、s1：搭建目标检测深度神经网络并组建可见光目标检测训练集与验证集，并进行第一阶段的训练：搭建的目标检测深度神经网络包括主干网络模块、编码器模块、解码器模块、交并比感知查询选择模块、检测头网络模块、噪声
5、s2：模型训练：利用可见光目标检测训练集及可见光目标检测验证集对目标检测深度神经网络中的所有模块进行训练，得到训练后的目标检测深度神经网络；
6、s3：组建带噪声的可见光数据集和水下声纳数据集并进行第二阶段的训练：从步骤s1组建的可见光目标检测训练集中随机选取多张图片添加随机噪声后形成多张带随机噪声的可见光图片，再从已经建立好的声纳数据集中选取多张图片与多张带随机噪声的可见光图片共同组成噪声滤除训练集；
7、s4：噪声滤除训练：冻结除噪声滤除模块以外的其他模块的参数，用噪声滤除训练集对噪声滤除模块进行噪声滤除训练，得到训练后噪声滤除模块；
8、s5：组建水下声纳图像目标检测训练集与验证集并进行第三阶段的训练：将水下声纳图像数据集划分为水下声纳图像训练集及水下声纳图像验证集，在水下声纳图像训练集上对除主干网络模块、噪声滤除模块及特征图细化模块以外的未冻结模块进行第三阶段的训练，对未冻结模块的参数进行微调，得到最终的目标检测深度神经网络。
9、一种基于水下声纳图像的水下小目标检测方法，还包括步骤s7：将步骤s5中的水下声纳图像验证集输入到最终的目标检测深度神经网络，得到验证集的检测结果，对目标检测深度神经网络的整体性能进行评价。
10、优化的，步骤s1中的可见光目标检测数据集为coco 2017目标检测数据集。
11、优化的，步骤s1中在可见光目标检测数据集中的验证集上进行验证时，评价标准使用标准的coco ap度量。
12、优化的，步骤s2中基于百度paddlepaddle深度学习框架通过可见光目标检测训练集对目标检测深度神经网络中的所有模块进行训练。
13、进一步，步骤s2利用可见光目标检测训练集及可见光目标检测验证集对目标检测深度神经网络中的所有模块进行训练时，具体包括如下步骤：
14、s21：将主干网络模块输出的多个不同尺度特征图中包含语义信息最多的特征图先送入编辑器模块进行特征细化处理后，再和其他特征图一样分别送入相应的噪声滤除模块进行去噪处理；
15、s22：将去噪处理后的特征图依次经过特征图细化模块进行两两融合得到多个处理后的不同尺度的特征图；
16、s23：将多个处理后的不同尺度的特征图沿长宽维度依次展开，并沿通道维度函数拼接得到交并比感知查询选择模块能够处理的特征图形式后送入交并比感知查询选择模块；
17、s24：交并比感知查询选择模块筛选出最高分类得分对应的数据条，并将其初始化为查询对象模式后与步骤s23中得到的交并比感知查询选择模块能够处理的特征图在解码器模块中进行交叉注意力处理后送入检测头网络模块；
18、s25：检测头网络模块通过检测得到关于图像中感兴趣目标的检测结果，再使用二分图匹配方法求解检测结果与真实检测框之间的损失，并通过求解的损失对目标检测深度神经网络进行参数回调；
19、s26：利用可见光目标检测验证集对目标检测深度神经网络进行检测，得到训练后的目标检测深度神经网络。
20、进一步，步骤s25中通过下式求解检测结果与真实检测框之间的损失：
21、；
22、其中：表示预测损失，表示目标真实结果，表示预测检测结果，表示目标真实类别，表示真实检测框，表示预测目标类别，表示预测检测框，表示边界框预测结果的交并比损失与类别预测结果的二值交叉熵损失的和，表示跨尺度特征融合和交并比，表示边界框预测结果的交并比损失。
23、专利技术的有益效果：
24、本专利技术提供的一种基于水下声纳图像的水下小目标检测方法，具有如下优点：
25、1.通过使用可见光目标检测数据集对目标检测深度神经网络整体进行第一阶段的训练，再组建带噪声的可见光数据集和水下声纳数据集进行第二阶段的训练滤除噪声，最后组建水下声纳图像目标检测训练集与验证集进行第三阶段的训练，对参数进行调整，得到最终的目标检测深度神经网络，解决了由于水下声纳图像的分辨率相较于一般的可见光图像低，更容易受到各种海杂波噪声干扰导致图像中的目标轮廓模糊的问题以及在水下环境中声纳数据的传输速率受到严重限制，难以被很快传输送至远程高性能计算平台上实时处理的难题，能够实现水下小目标的精准检测；
26、2.提出了噪声滤除模块及特征图细化模块，将主干网络模块输出的多个不同尺度特征图中包含语义信息最多的特征图先送入编辑器模块进行特征细化处理后，再和其他特征图一样分别送入相应的噪声滤除模块进行去噪处理，然后再将去噪处理后的特征图依次经过特征图细化模块进行两两融合得到多个处理后的不同尺度的特征图，可以更高效的应用语义信息，极大地减小了目标检测深度神经网络所需的计算量，便于噪声滤除模块将特征图的噪声特征与图像特征分离处理，既能加快处理速度，又能提高噪声滤除的精度；便于后续将多个处理后的不同尺度的特征图沿长宽维度依次展开，并沿通道维度函数拼接得到交并比感知查询选择模块能够处理的特征图形式后送入交并比感知查询选择模块处理，可以降低待融合的各不同尺寸特征图之间的细化度差异，减小了图像噪声及特征层的层间细化度差异对目标检测深度神经网络精度的影响，进一步提升了目标本文档来自技高网...
【技术保护点】
1.一种基于水下声纳图像的水下小目标检测方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种基于水下声纳图像的水下小目标检测方法，其特征在于：还包括步骤S7：将步骤S5中的水下声纳图像验证集输入到最终的目标检测深度神经网络，得到验证集的检测结果，对目标检测深度神经网络的整体性能进行评价。
3.根据权利要求1所述的一种基于水下声纳图像的水下小目标检测方法，其特征在于：步骤S1中的可见光目标检测数据集为COCO2017目标检测数据集。
4.根据权利要求1所述的一种基于水下声纳图像的水下小目标检测方法，其特征在于：步骤S1中在可见光目标检测数据集中的验证集上进行验证时，评价标准使用标准的COCOAP度量。
5.根据权利要求1所述的一种基于水下声纳图像的水下小目标检测方法，其特征在于：步骤S2中基于百度PaddlePaddle深度学习框架通过可见光目标检测训练集对目标检测深度神经网络中的所有模块进行训练。
6.根据权利要求1所述的一种基于水下声纳图像的水下小目标检测方法，其特征在于：步骤S2利用可见光目标检测训练集及可
7.根据权利要求6所述的一种基于水下声纳图像的水下小目标检测方法，其特征在于：步骤S25中通过下式求解检测结果与真实检测框之间的损失：
...【技术特征摘要】
1.一种基于水下声纳图像的水下小目标检测方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种基于水下声纳图像的水下小目标检测方法，其特征在于：还包括步骤s7：将步骤s5中的水下声纳图像验证集输入到最终的目标检测深度神经网络，得到验证集的检测结果，对目标检测深度神经网络的整体性能进行评价。
3.根据权利要求1所述的一种基于水下声纳图像的水下小目标检测方法，其特征在于：步骤s1中的可见光目标检测数据集为coco2017目标检测数据集。
4.根据权利要求1所述的一种基于水下声纳图像的水下小目标检测方法，其特征在于：步骤s1中在可见光目标检测数据集中的验证集上进行验证...
【专利技术属性】
技术研发人员：张晓宇，杨诗博，檀盼龙，李寿鹏，柳逸文，
申请(专利权)人：南开大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。