[發明專利]一種基于改進YOLOv3-tiny的水下聲納圖像目標檢測方法

在審

• 申請號: 202110051819.0
• 申請日: 2021-01-15
• 公開（公告）號: CN112861919A
• 公開（公告）日: 2021-05-28
• 發明（設計）人: 楊惠珍;翟羽佳;李源
• 申請（專利權）人: 西北工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西北工業大學專利中心 61204
• 代理人: 金鳳

本發明公開了一種基于改進YOLOv3?tiny的水下聲納圖像目標檢測方法，首先采用基本圖形變換增強聲納圖像數據，獲得足夠數量的聲納圖像數據集；然后構建一種融合淺層次特征與高層次特征的YOLOv3?tiny網絡的改進模型，通過多尺度特征融合進行檢測；在此基礎上，根據YOLOv3?tiny預測層的特征圖優化網絡結構，刪去特征表達能力差的預測分支，提高了改進YOLOv3?tiny的檢測速度，保證了檢測的實時性；最終對所有預測的目標類別和位置結果采用非極大值抑制方法，輸出置信度最大的預測的目標類別和位置。本發明方法準確率高，減少了目標的漏檢。

技術領域

本發明屬于圖像處理技術領域，具體涉及一種水下聲納圖像目標檢測方法。

背景技術

由于水下環境的特殊性，電磁波在海底傳播的損失遠大于陸上，傳統光學檢測手段在水下的距離有限。而聲波可以在深海遠距離傳播，聲學檢測手段具有光學檢測手 段不可比擬的優越性。成像聲納通過收集物體表面的反射回波進行實時成像，可以獲 得更加完整、豐富、詳細的水下數據，是水下環境感知的重要工具。

目前，對于水下目標檢測的研究方法可以分成兩大類：一類是傳統的目標檢測算法，這一類算法多數是改進應用于非水下圖像的傳統圖像處理算法；另一類算法是基 于機器學習的目標檢測算法，其中基于深度學習的算法是應用效果最好、泛用性最廣 的。基于深度學習的目標檢測方法可以分為三個大類，第一類是基于候選區域的目標 檢測算法，例如R-CNN、Fast R-CNN、Faster R-CNN、R-FCN等；第二類是基于回歸 的目標檢測算法，例如YOLO、SSD、KittiBox等；第三類是基于搜索的目標檢測算法， 例如基于強化學習的算法和基于視覺注意的AttentionNet。YOLO算法屬于典型的One- Stage算法，可以在一個stage直接產生物體的類別概率和位置坐標，流程較為簡單， 在檢測速度上具有比較大的優勢。本發明采用的YOLOv3-tiny算法相比原版的YOLO 算法，在精確率損失不大的情況下，具有更簡單的網絡結構和更高的實時性，很適合 用于水下目標檢測。

但是在現有水下目標檢測技術中，存在聲納圖像質量差、數量少、沒有公開數據集，導致檢測算法準確率不高、應用深度學習數據不足、受到噪聲干擾的錯檢漏檢等 問題。

發明內容

為了克服現有技術的不足，本發明提供了一種基于改進YOLOv3-tiny的水下聲納圖像目標檢測方法，首先采用基本圖形變換增強聲納圖像數據，獲得足夠數量的聲納 圖像數據集；然后構建一種融合淺層次特征與高層次特征的YOLOv3-tiny網絡的改進 模型，通過多尺度特征融合進行檢測；在此基礎上，根據YOLOv3-tiny預測層的特征 圖優化網絡結構，刪去特征表達能力差的預測分支，提高了改進YOLOv3-tiny的檢測 速度，保證了檢測的實時性；最終對所有預測的目標類別和位置結果采用非極大值抑 制方法，輸出置信度最大的預測的目標類別和位置。本發明方法準確率高，減少了目 標的漏檢。

本發明解決其技術問題所采用的技術方案包括如下步驟：

步驟1：通過二維成像聲納獲取多幅原生聲納圖像；

步驟2：對步驟1獲取的原生聲納圖像采用圖形變換方法隨機進行變換，變換后 的圖像和原生聲納圖像數據共同構成聲納圖像數據集；將聲納圖像數據集的所有圖像 尺寸變換為512×224；將聲納圖像數據集劃分為聲納圖像訓練集和聲納圖像測試集， 聲納圖像訓練集中圖像數量大于聲納圖像測試集中圖像數量；

步驟3：對聲納圖像數據集圖像中目標的類別和位置進行標注；

如果聲納圖像數據集圖像中不存在目標，則該圖像定義為負樣本；

如果聲納圖像數據集圖像中存在目標，則該圖像定義為正樣本，同時對目標標注類別；用邊界框標記目標的位置，邊界框為目標最小外接矩形，目標位置表示為邊界 框的四個頂點的坐標：X_max，X_min，Y_max，Y_min，歸一化如下：