[發明專利]基于深度學習的自適應權值卷積神經網絡水下聲納圖像分類方法

有效

• 申請號: 201810104948.X
• 申請日: 2018-02-02
• 公開（公告）號: CN108427958B
• 公開（公告）日: 2021-06-01
• 發明（設計）人: 王興梅;焦佳;孫博軒;王國強;劉安華
• 申請（專利權）人: 哈爾濱工程大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明提供的是一種基于深度學習的自適應權值卷積神經網絡水下聲納圖像分類方法。(1)根據數據集中水下聲納圖像的特點，生成深度信念網絡DBN二維參數矩陣；(2)自適應調整卷積神經網絡CNN濾波器權值矩陣的分布；(3)實現基于深度學習的自適應權值卷積神經網絡水下聲納圖像分類。本發明提出的基于深度學習的自適應權值卷積神經網絡水下聲納圖像分類方法，可以解決CNN中濾波器權值初始化的隨機問題，避免陷入局部最優，能更好的提高分類正確率，有一定的有效性。

技術領域

本發明涉及的是一種水下目標分類方法，具體地說是一種水下聲納圖像(underwater sonar image)的分類方法。

背景技術

近年來基于聲納圖像的水下目標分類技術得到了極大地發展，其應用范圍也越來越廣泛。由于水下聲納圖像對比度低、邊緣模糊、弱紋理，圖像質量不理想，這將嚴重影響水下聲納圖像的分類，使其成為一個難題。國內外學者對水下聲納圖像目標分類進行了深入研究，并取得了重要的成果。其中在已有的文獻中最著名和效果最好的分類方法主要包括：1.基于圖像分割和紋理特征的水下聲納圖像分類：2012年Khidkikar Mahesh,Balasubramanian Ramprasad.Segmentation and classification of side-scan sonardata.Lecture Notes in Computer Science,2012,22(7):841-849.提出將水下聲納圖像分割，在分割區域計算其紋理特征，最后分別將水下聲納圖像分為巖石，殘骸，沉積物和海床四大類，分類效果較好。2.基于SVM的水下聲納圖像分類：2013年Li Ke,Li Chonglun,Zhang Wei.Research of Diver Sonar Image Recognition Based on Support VectorMachine.Advanced Materials Research,Guangzhou,China.2013,785:1437-1440.提出采用SVM方法作為分類器，根據潛水者的特點將平均尺度、速度、形狀、方向、夾角作為五維特征向量輸入到分類器中進行分類，實驗結果較好。3.基于圖像特征的水下聲納圖像分類：2014年Zhu Zhaotong,Xu Xiaomei,Yang Liangliang,et al.A model-based Sonar imageATR method based on SIFT features.OCEANS 2014,Taiwan.2014:1-4.提出根據縮放不變特征變換，提取圖像特征進行單類匹配圖像，得到了較高分類正確率。4.結合核函數提取特征和SVM分類器的水下聲納圖像分類方法：2016年Rhinelander Jason.Featureextraction and target classification of side-scan sonar images.2016IEEESymposium Series on Computational Intelligence,Greece,2016:1-6.提出采用核函數提取特征，SVM對水下聲納圖像進行分類，獲得了很好的分類性能。5.結合核的極限學習機和PCA原理的水下聲納圖像分類方法：2017年Zhu Mingcui,Song Yan,Guo Jia.PCA andKernel-based Extreme Learning Machine for Side-Scan Sonar ImageClassification.2017IEEE OES International Symposium on Underwater Technology,Korea,2017:1-4.提出基于核的極限學習機和PCA原理提出了一種新型分類系統用于水下聲納圖像分類，實驗結果表明，所提出的方法穩定性好，分類正確率高。