System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及水下探测识别,具体涉及一种基于多尺度特征融合的侧扫声呐图像目标检测方法。
技术介绍
1、目前,我国海洋作业日益频繁,而水下作业需要良好的探测工具,由于电磁波在水下传播中衰减较快,导致传统的光学成像手段只能应用在较浅的水域或者有限范围内,而声波信号在水下传播衰减较小,已经成为水下探测的主要工具。在水下目标检测中,最为常用的是声呐设备,它通过声波的传播和反射特性对水下物体进行探测。对于目标反射回来的回波,可以根据声学特性在回波上直接检测目标物;也可以对回波进行成像,在生成的声呐图像上进行目标检测。
2、侧扫声呐是目前水下目标识别中应用最广泛、最重要的一种设备,主要承担着水下目标检测、海底地貌信息勘测等任务。但是由于侧扫声呐成像的分辨率较低,受噪声和图像背景干扰严重,导致目标识别困难,小目标召回率较低,这些干扰因素使得侧扫声呐图像的目标检测任务变得十分艰难。
技术实现思路
1、针对现有技术的不足,本专利技术解决其技术问题所采用的技术方案是:一种能够对侧扫声呐图像遮挡严重、尺度不一的目标进行快速准确检测的方法,公开为一种基于多尺度特征融合的侧扫声呐图像目标检测方法,包括以下步骤:
2、s1、收集包含目标的水下侧扫声呐图像,对图像中的人体、沉船、飞机残骸等目标进行标注,建立侧扫声呐图像标注数据集;
3、s2、构建基于yolov4改进的多尺度特征融合检测模型,并对模型进行训练;
4、s3、实时采集待识别的侧扫声呐图像,输入训练好的检
5、作为优选,所述s1中对图像中的人体、沉船、飞机残骸等目标进行标注是采用矩形框标注。
6、作为优选,所述s2中基于yolov4改进的多尺度特征融合检测模型是将yolov4原有的三层检测层扩展为四层,同时优化主干网络结构,以实现快速准确地检测目标,并利用标注数据集对改进的检测模型进行训练,用于实现侧扫声呐图像中目标的快速准确检测,并提高小目标的检测召回率。
7、作为优选,所述改进方法为将yolov4输出的8倍降采样特征图进行2倍的上采样,与yolov4主干网络csp-darknet53中第2个残差块输出的4倍降采样特征图进行拼接,建立输出为4倍降采样的特征融合目标检测层,并在原网络的第2个残差模块中增加2个残差单元,再将之前包含8个残差单元的残差模块削减为4个残差单元。
8、作为优选,所述s2中对检测模型训练包括采用标注的水下侧扫声呐图像数据集对改进的yolov4检测模型进行端到端训练,并根据损失函数反向传播调整网络模型的参数。
9、作为优选,所述损失函数包括回归框损失、置信度损失和分类损失。
10、作为优选,所述回归框损失同yolov4一样,考虑到边框的重合度、中心距离和宽高比的尺度信息,采用ciou损失代替均方差损失。
11、作为优选,s3中,所述预测框的获取方法是将特征图划分成s×s的网格,为每个网格预测3个不同的边界框。
12、作为优选,所述边界框预测信息包括目标宽、高以及目标中心坐标信息。,
13、本专利技术的有益效果如下:
14、通过在yolov4算法的基础上进行改进,针对水下场景复杂,目标尺度不一,存在遮挡和目标部分缺失等问题,提出一种基于多尺度特征融合的检测模型,能够快速准确地检测出侧扫声呐图像中人体、沉船、飞机残骸等目标,并提高了尺度不一的目标的检测召回率。
本文档来自技高网...【技术保护点】
1.一种基于多尺度特征融合的侧扫声呐图像目标检测方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的一种基于多尺度特征融合的侧扫声呐图像目标检测方法,其特征在于:所述S1中对图像中的人体、沉船、飞机残骸等目标进行标注是采用矩形框标注。
3.根据权利要求1所述的一种基于多尺度特征融合的侧扫声呐图像目标检测方法,其特征在于:所述S2中基于YOLOv4改进的多尺度特征融合检测模型是将YOLOv4原有的三层检测层扩展为四层,同时优化主干网络结构,并利用标注数据集对改进的检测模型进行训练。
4.根据权利要求3所述的一种基于多尺度特征融合的侧扫声呐图像目标检测方法,其特征在于:所述改进方法为将YOLOv4输出的8倍降采样特征图进行2倍的上采样,与YOLOv4主干网络CSP-DarkNet53中第2个残差块输出的4倍降采样特征图进行拼接,建立输出为4倍降采样的特征融合目标检测层,并在原网络的第2个残差模块中增加2个残差单元,再将之前包含8个残差单元的残差模块削减为4个残差单元。
5.根据权利要求1所述的一种基于多尺度特征融合的侧扫声呐图像目
6.根据权利要求5所述的一种基于多尺度特征融合的侧扫声呐图像目标检测方法,其特征在于:所述损失函数包括回归框损失、置信度损失和分类损失。
7.根据权利要求6所述的一种基于多尺度特征融合的侧扫声呐图像目标检测方法,其特征在于:所述回归框损失同YOLOv4一样,考虑到边框的重合度、中心距离和宽高比的尺度信息,采用CIOU损失代替均方差损失。
8.根据权利要求1所述的一种基于多尺度特征融合的侧扫声呐图像目标检测方法,其特征在于:S3中,所述预测框的获取方法是将特征图划分成S×S的网格,为每个网格预测3个不同的边界框。
9.根据权利要求8所述的一种基于多尺度特征融合的侧扫声呐图像目标检测方法,其特征在于:所述边界框预测信息包括目标宽、高以及目标中心坐标信息。
...【技术特征摘要】
1.一种基于多尺度特征融合的侧扫声呐图像目标检测方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的一种基于多尺度特征融合的侧扫声呐图像目标检测方法,其特征在于:所述s1中对图像中的人体、沉船、飞机残骸等目标进行标注是采用矩形框标注。
3.根据权利要求1所述的一种基于多尺度特征融合的侧扫声呐图像目标检测方法,其特征在于:所述s2中基于yolov4改进的多尺度特征融合检测模型是将yolov4原有的三层检测层扩展为四层,同时优化主干网络结构,并利用标注数据集对改进的检测模型进行训练。
4.根据权利要求3所述的一种基于多尺度特征融合的侧扫声呐图像目标检测方法,其特征在于:所述改进方法为将yolov4输出的8倍降采样特征图进行2倍的上采样,与yolov4主干网络csp-darknet53中第2个残差块输出的4倍降采样特征图进行拼接,建立输出为4倍降采样的特征融合目标检测层,并在原网络的第2个残差模块中增加2个残差单元,再将之前包含8个残差单元的残差模块削减为4个残差单元。
5....
【专利技术属性】
技术研发人员:张胜利,刘亚非,陈志勇,王建军,郑永昌,
申请(专利权)人:中船海洋探测技术研究院有限公司,
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。