[發明專利]基于水下成像環境模型的數據增廣方法

在審

• 申請號: 201911282978.0
• 申請日: 2019-12-13
• 公開（公告）號: CN111079733A
• 公開（公告）日: 2020-04-28
• 發明（設計）人: 黃海;梅洋;萬兆亮;周浩;石曉婷;吳晗;靳佰達
• 申請（專利權）人: 哈爾濱工程大學
• 主分類號: G06K9/20
• 分類號: G06K9/20;G06T5/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明涉及一種基于水下成像環境模型的數據增廣方法，屬于水下目標檢測識別技術領域。不同程度的海洋湍流對水下圖片成像質量的影響不同，針對這個問題采用基于湍流模型的數據增廣方法,此方法可模擬不同程度的海洋湍流對水下圖片成像的影響；水下圖片通過水下機器人拍攝，不同的拍攝視角拍攝同一個目標存在不同，針對這個問題采用基于透視變換模型的數據增廣方法，此方法可模擬同一目標不同的拍攝視角所拍攝的圖片；水下拍攝時人造光的存在會使圖片存在不均勻光照現象，針對這個問題采用基于不均勻光照模型的數據增廣方法，此方法可模擬水下圖片不同的不均勻光照現象。本發明提高了水下機器人深度學習目標識別的成功率。

技術領域

本發明涉及一種基于水下成像環境模型的數據增廣方法，屬于水下目標檢測識別技術領域。

背景技術

近年來，國家開始重視對海洋資源進行開發。對海洋資源的開發，離不開水下機器人作業技術的支持。海洋為人類提供了大量的優質食品蛋白資源，如海參、海膽、扇貝、海洋魚類等。根據太平洋海膽和海參協會統計，我國對海參、海膽和扇貝等海產品的需求每年可達上百億美元，并且以10％的速度高速增長。目前，自然養殖環境下海生物的捕撈主要由潛水員完成，但是人工捕撈具有成本高、效率低及潛水員安全性低等缺點，不符合海洋經濟綠色發展、可持續發展的宗旨，所以海生物水下自主捕撈機器人取代人工捕撈將是一個嶄新的思路，也將是未來海生物養殖、捕撈與抓取的一個發展趨勢。研究人員已經對海生物捕撈機器人展開一定研究，例如專利文獻“海珍品采捕機器人(CN201410686861.X)”主要通過海底行走，人工遙控機器人水下觀察、抽吸完成海生物的捕撈。專利文獻“海底生物捕撈機器人的自主導航和人機協同捕撈作業系統(CN201210553378.5)”和“一種仿生海底生物捕撈機器人(CN201210553365.8)”雖然在水下作業的導航和行走具備一定自主性，但依然依靠操作人員對路徑規劃、目標搜尋、捕撈指令等進行一定的干預，自主性有限。以上發明均難以實現對海生物的智能控制自主吸取捕獲，在普通的漁民使用和推廣上比較困難，需投入一定的人力和智力培訓。

目前，計算機視覺已經在現實生活中的各個領域得到了應用。在水下機器人領域，計算機視覺技術能使水下機器人擁有更強的感知水下陌生環境的能力，從而使得水下機器人可以在陌生水下環境執行復雜水下任務的問題，包括目標檢測、目標跟蹤、回避障礙等，使水下機器人水下自主作業的能力得到了大大的提升。水下環境感知是水下機器人自主作業的第一步，具有機器人眼睛的作用，能夠對機器人所處的水下環境進行感知、避障以及目標的檢測和識別等等功能，其對水下機器人的自主作業起到至關重要的作用。這其中，目標識別和檢測是水下環境感知的重要組成部分，使得目標識別和檢測研究是計算機視覺技術在水下機器人中研究的重點。當前目標檢測方法主要有傳統方法和基于深度學習的方法兩類。傳統方法通過人工提取特征，然后人工設計分類器對特征進行分類及回歸，從而進行目標檢測識別。傳統方法具有計算量小、計算速度快的優點，但也有識別準確率的缺點，影響后續水下機器人的自主控制。基于深度學習的目標檢測識別方法，使用卷積神經網絡提取特征，通過端到端的方法，利用神經網絡對特征進行分類和回歸，從而實現目標檢測識別的功能。基于深度學習的方法具有識別準確率高的優點，但是其神經網絡模型的訓練需要大量的樣本。然而，由于水下環境的復雜多變，水下目標圖片的獲取比較困難，大量水下目標圖像的標注也需要大量的人力和物力，使得大量訓練樣本的獲取有一定的困難。而如果在樣本不足的條件下進行卷積神經網絡的訓練，得到是模型往往存在這泛化能力不強等問題。因此，如何在水下目標訓練樣本不足的條件下訓練出一個泛化能力強的模型是目前亟需解決的一個難點。

發明內容

本發明的目的是為了解決如何在水下目標訓練樣本不足的條件下訓練出一個泛化能力強的模型問題而提供一種基于水下成像環境模型的數據增廣方法。

本發明的目的是這樣實現的：一種基于水下成像環境模型的數據增廣方法，具體包括以下步驟：