[發明專利]基于全卷積神經網絡的海天線在線檢測方法

有效

• 申請號: 201910915844.1
• 申請日: 2019-09-26
• 公開（公告）號: CN110705623B
• 公開（公告）日: 2022-08-02
• 發明（設計）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（專利權）人: 哈爾濱工程大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06K9/62;G06T7/73
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種基于全卷積神經網絡的海天線在線檢測方法，用于完成無人艇在水面環境下對海天線的檢測任務，即根據水面無人艇所攜帶的光視覺傳感器傳回的圖像信息和水面無人艇的艇體姿態信息對當前傳感器視角下的海天線進行預測，基于分類擬合原理，針對復雜的水面環境，依據水面圖像的大體類別信息，設計全卷積神經網絡和全連接網絡模型，解決復雜水面環境下傳感器的穩像問題以及艇體位姿的修正問題，同時也可以縮小搜索區域，加快搜索速度，為水面無人艇環境感知和運動規劃及控制提供準確的傳感器信息等。

技術領域

本發明涉及一種海天線檢測方法，特指一種基于全卷積神經網絡的水面無人艇用海天線在線檢測方法，屬于圖像識別領域。

背景技術

海天線是區分海面區域和天空區域的分割線或者分割區域，可以用直線來近似表達，也可以用一個區域來擬合。海天線檢測在傳統的海面信息獲取流程中是很重要的一環，不僅因為海天線可以用來對圖像進行分割，在得到的海面區域內搜索目標，大大加快了檢測速度，還可以用來監控無人艇的傳感器姿態，輔助進行避障導航和工作狀態判斷，最主要也是用處最多的一點是海天線可以矯正攝像機姿態即穩像，來獲取高質量的數據源。

2005年，哈爾濱工程大學的趙凝霞等首先將圖像的直方圖分解為不同層次的小波系數，然后依據給定的分割準則和小波系數選擇閾值，再利用閾值標出圖像分割的區域。在閾值分割的結果上，利用邊緣是灰度級不連續點具有奇異性的性質，采用離散小波變換法對圖像進行小波變換并檢測海天線。

2009年，海軍航空工程學院的趙峰民等利用邊緣檢測來得到邊緣點，然后在這些邊緣點抽取代表分界線的邊緣點來構造海天線以完成分割。利用分界線和水紋在大尺度小波變換下的差異以及是否屬于垂直方向上的邊緣稠密集來去除水紋的影響。但是方法只假定了海天線基本處于水平狀態下的水紋修正，對于傾斜姿態或者連續搖晃下的效果仍需驗證。

2014年，特貝薩大學的Hin等使用隨機抽樣一致性算法(Randomsampleconsensus)來檢測海天線，解決了陽光反射、遮擋、光線不好以及邊界地區存在交錯等因素給海天線檢測帶來的困難。但該方法局限在于對于有較大噪聲的場景，例如具有較多建筑物和數目的海岸圖像，此方法效果不好。

發明內容

針對上述現有技術，本發明要解決的技術問題是提供一種基于全卷積神經網絡的海天線在線檢測方法，用于無人艇實時檢測海天線，為無人艇姿態矯正和目標搜索提供重要參考。

為解決上述技術問題，本發明的一種基于全卷積神經網絡的海天線在線檢測方法，包括以下步驟：

S1:收集實艇傳感器圖像數據，挑選出不同無人艇視角下的圖像，并篩選出包含海天線的圖像；

S2：設計全卷積神經網絡結構，根據像素點預測分類結果的均方誤差構造損失函數，并在海天線檢測數據集上進行訓練至模型收斂,如果不收斂則在損失函數中加入L2正則化項或采用批量正則化訓練方法以使模型達到收斂效果；

S3：對收斂的全卷積模型采用平均像素精度指標對模型準確度進行評價，當平均像素精度指標大于設定值時，執行S4；當平均像素精度指標不滿足大于設定值時，返回S2；

S4：使用全卷積神經網絡模型對測試圖像像素點進行分類，并組合像素點的類別信息和其在圖像坐標系下的位置信息，得到每個點的信息元組，包括：類別，x坐標，y坐標；

S5：設計像素坐標系下的海天線方程y＝ax+b以及淺層全連接神經網絡，利用圖像像素點的信息元組擬合并修正海天線方程參數，得到最終的海天線。

本發明還包括：

對S1中篩選出包含海天線的圖像使用圖像評價指標均方根誤差來判別圖像是否符合機器閱讀習慣，表達式為：