[發(fā)明專(zhuān)利]基于全卷積神經(jīng)網(wǎng)絡(luò)的海天線(xiàn)在線(xiàn)檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201910915844.1
• 申請(qǐng)日: 2019-09-26
• 公開(kāi)（公告）號(hào): CN110705623B
• 公開(kāi)（公告）日: 2022-08-02
• 發(fā)明（設(shè)計(jì)）人: 姜文;陳啟賢;廖煜雷;王博;沈海龍;李志晨;李姿科;成昌盛
• 申請(qǐng)（專(zhuān)利權(quán)）人: 哈爾濱工程大學(xué)
• 主分類(lèi)號(hào): G06V10/764
• 分類(lèi)號(hào): G06V10/764;G06K9/62;G06T7/73
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

1.一種基于全卷積神經(jīng)網(wǎng)絡(luò)的海天線(xiàn)在線(xiàn)檢測(cè)方法，其特征在于，包括以下步驟：

S1:收集實(shí)艇傳感器圖像數(shù)據(jù)，挑選出不同無(wú)人艇視角下的圖像，并篩選出包含海天線(xiàn)的圖像；

S2：設(shè)計(jì)全卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，根據(jù)像素點(diǎn)預(yù)測(cè)分類(lèi)結(jié)果的均方誤差構(gòu)造損失函數(shù)，并在海天線(xiàn)檢測(cè)數(shù)據(jù)集上進(jìn)行訓(xùn)練至模型收斂,如果不收斂則在損失函數(shù)中加入L2正則化項(xiàng)或采用批量正則化訓(xùn)練方法以使模型達(dá)到收斂效果；

S3：對(duì)收斂的全卷積模型采用平均像素精度指標(biāo)對(duì)模型準(zhǔn)確度進(jìn)行評(píng)價(jià)，當(dāng)平均像素精度指標(biāo)大于設(shè)定值時(shí)，執(zhí)行S4；當(dāng)平均像素精度指標(biāo)不滿(mǎn)足大于設(shè)定值時(shí)，返回S2；

S4：使用全卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)測(cè)試圖像像素點(diǎn)進(jìn)行分類(lèi)，并組合像素點(diǎn)的類(lèi)別信息和其在圖像坐標(biāo)系下的位置信息，得到每個(gè)點(diǎn)的信息元組，包括：類(lèi)別，x坐標(biāo)，y坐標(biāo)；

S5：設(shè)計(jì)像素坐標(biāo)系下的海天線(xiàn)方程y＝ax+b以及淺層全連接神經(jīng)網(wǎng)絡(luò)，利用圖像像素點(diǎn)的信息元組擬合并修正海天線(xiàn)方程參數(shù)，得到最終的海天線(xiàn)。

2.根據(jù)權(quán)利要求1所述的一種基于全卷積神經(jīng)網(wǎng)絡(luò)的海天線(xiàn)在線(xiàn)檢測(cè)方法，其特征在于：對(duì)S1中篩選出包含海天線(xiàn)的圖像使用圖像評(píng)價(jià)指標(biāo)均方根誤差來(lái)判別圖像是否符合機(jī)器閱讀習(xí)慣，表達(dá)式為：

其中X為平均數(shù)，N為樣本個(gè)數(shù)，若RMSE60％則舍去圖像，重新對(duì)訓(xùn)練集數(shù)據(jù)進(jìn)行篩選；若RMSE＝60％則證明該圖像可以進(jìn)一步得到制作數(shù)據(jù)集。