[發明專利]基于VGG16-SegUnet和dropout的海流機葉片附著物識別方法

有效

• 申請號: 201911132810.1
• 申請日: 2019-11-19
• 公開（公告）號: CN110863935B
• 公開（公告）日: 2020-09-22
• 發明（設計）人: 彭海洋;王天真
• 申請（專利權）人: 上海海事大學
• 主分類號: F03B11/00
• 分類號: F03B11/00;F03B13/00;G06K9/00;G06K9/34;G06K9/62
• 代理公司: 上海互順專利代理事務所(普通合伙) 31332
• 代理人: 成秋麗

1.一種基于VGG16-SegUnet和dropout的海流機葉片附著物識別方法，其特征在于，包括以下步驟：

步驟一、首先，采集不同附著類型的海流機水下圖像，然后使用開源工具labelme進行語義標注，從而完成原始圖像-語義標簽數據集的創建：背景，葉片，附著物分別被標注為0，1，2；

步驟二、采用[0°,360°]的旋轉數據增強技術擴充原始圖像-語義標簽數據集，然后對原始圖像進行標準化預處理：

其中，x表示海流機圖像中R，G，B任意一個維度的數據；x_min，x_max分別表示x中的最小，最大像素值；x最終被標準化到[-1,1]；

再將增強后的數據按3:1:1的比例劃分為訓練集、驗證集和測試集；

步驟三、搭建VGG16-SegUnet新型語義分割網絡：將VGG16前13層的卷積和最大池化模型設定為特征提取編碼層并使用ImageNet預訓練權重初始化這些卷積結構；解碼層的結構與SegNet中的解碼層相同,采用反最大池化進行特征恢復；編碼層與解碼層之間除前向連接外，還融合了Unet中的特征級聯以及SegNet中的最大池化索引保留技術，并在中間位置插入了一個30％dropout層；Dropout的引入在緩解訓練過擬合現象的同時，也提供了不同的概率分類結果；

步驟四、將預處理好的訓練集圖像數據輸入至VGG16-SegUnet中，輸出逐像素softmax概率分類結果：

其中，x⁽ⁱ⁾表示一張訓練圖像x中的第i個像素點；θ為softmax分類器的權重參數矩陣，且p(y⁽ⁱ⁾＝l|x⁽ⁱ⁾；θ)表示x⁽ⁱ⁾的預測結果y⁽ⁱ⁾為語義標簽l的概率；N表示待語義標注的類別個數；exp^(·)表示指數函數；h_θ(x⁽ⁱ⁾)為softmax預測結果向量；

然后，使用Adadelta優化器對整個網絡進行全局訓練，降低交叉熵損失直到訓練次數達到設定的最大值，并記錄最終的訓練權重：

其中，Loss(θ)表示交叉熵損失函數；N_train表示訓練數據的個數；N_n表示第n張圖像的像素總個數；log(·)表示對數函數；1{·}是一個示性函數，當{·}內的表達式成立時，輸出1，反之，輸出0；

步驟五、將預處理好的測試集圖像輸入到載入了訓練權重的VGG16-SegUnet中，輸出語義分割圖，完成對圖像中背景、葉片、附著物位置和大小的識別，同時對識別結果的不確定度進行估計，具體實現過程如下：

i.將每張測試圖像輸入到融合有30％dropout的VGG16-SegUnet中，并重復進行50次測試，得到50個softmax概率分類結果，這里記為Test₅₀；

ii.求取Test₅₀的均值以及方差

iii.從中找出每個像素點的最大概率類別，然后通過可視化技術顯示出語義分割圖；最大概率類別對應的方差以圖像的形式直觀地顯示出來，即為不確定度圖像；

步驟六、最后，根據語義分割圖計算出精確的附著物面積占比以及識別準確率指標MIoU：

其中，AAP為附著物面積占比；attachment，blade分別表示附著物和整個海流機葉片區域；Count(·)用于計算指定區域內的像素點個數；

其中，MIoU表示平均交并比；p_ij表示真實標簽為i而被誤識別為標簽j的像素個數；p_ii表示真實標簽為i且被識別為標簽i的像素個數；p_ji表示真實標簽為j而被誤識別為標簽i的像素個數。