[發明專利]基于深度學習的無人艇目標探測與自主識別系統和方法

在審

• 申請號: 202211432945.1
• 申請日: 2022-11-16
• 公開（公告）號: CN116188963A
• 公開（公告）日: 2023-05-30
• 發明（設計）人: 高琪琪;羅逸豪;王德亮;張晉斌;龔成
• 申請（專利權）人: 宜昌測試技術研究所
• 主分類號: G06V20/05
• 分類號: G06V20/05;G06V10/82;G06V10/147;G06V10/80;B63B27/16;B63G8/39;B63G8/38
• 代理公司: 北京艾緯鉑知識產權代理有限公司 16101
• 代理人: 楊瀟

1.一種基于深度學習的無人艇目標探測與自主識別系統，其特征在于，該系統包括水下目標探測系統、船載分布式目標自主識別系統和自動布放回收系統；其中所述水下目標探測系統將各傳感器設備采集的傳感器數據傳送至所述船載分布式目標自主識別系統；所述船載分布式目標自主識別系統包括前視聲納識別板、合成孔徑識別板和顯控計算機；所述前視聲納識別板、合成孔徑識別板分別通過深度學習算法對不同的所述傳感器設備采集的圖像數據進行自主的目標檢測，生成各自的識別結果；所述顯控計算機用于將識別結果進行融合并消除虛假目標；所述自動布放回收系統用于實現對水下目標探測系統的自動布放和回收。

2.如權利要求1所述的基于深度學習的無人艇目標探測與自主識別系統，其特征在于，所述水下目標探測系統中的各傳感器設備至少包括前視聲納和合成孔徑聲納；所述前視聲納安裝于拖體頭部，提供拖體正前方探測視野；所述合成孔徑聲納提供拖體兩側掃描視野；所述前視聲納識別板收集所述前視聲納圖像，所述合成孔徑識別板收集所述合成孔徑聲納圖像；使用圖像標注軟件進行標注，建立深度學習圖像訓練數據集；采用驗證數據進行驗證，檢驗并確保深度神經網絡的最終輸出結果；利用設計的深度神經網絡訓練出具有辨識目標方位、距離、形狀特性的深度神經網絡模型；將訓練好的識別模型分別部署在所述前視聲納識別板與所述合成孔徑識別板上；所述前視聲納圖像識別板接收前視聲納上傳的圖像數據，進行目標檢測與識別，將識別結果發送給顯控計算機；所述合成孔徑聲納圖像識別板接收合成孔徑聲納上傳的圖像數據，進行目標檢測與識別，將結果發送給所述顯控計算機；所述顯控計算機對前視聲納識別結果和合成孔徑聲納識別結果進行決策級融合，去除虛假目標，將最終的識別結果在顯控軟件上進行顯示。

3.如權利要求1所述的基于深度學習的無人艇目標探測與自主識別系統，其特征在于，所述水下目標探測系統中還包括慣性導航設備、測高儀、深度計、拖體控制單元、交換機、同步板、光端機、程控電源；所述慣性導航設備提供拖體航向、姿態、位置；所述測高儀提供拖體距底距離數據；所述深度計提供拖體距水面距離；所述拖體控制單元負責給設備上電，及向所述目標自主識別系統傳輸設備工況；所述交換機用于連接各傳感器設備組件局域網絡；所述同步板用于控制所述前視聲納和合成孔徑聲納的發聲同步；所述光端機用于光電信號轉換；所述程控電源負責為整個拖體搭載設備供電。

4.如權利要求2所述的基于深度學習的無人艇目標探測與自主識別系統，其特征在于，所述船載分布式目標自主識別系統進一步包括：所述顯控計算機用于部署顯控軟件，用于顯示水下目標探測系統上傳的數據、工況，顯示所述船載目標自主識別系統的目標識別結果，對水下目標探測系統下發控制指令；所述聲納圖像識別板、所述合成孔徑聲納圖像識別板、所述顯控計算機與所述水下目標探測系統通過交換機進行連接。

5.如權利要求1-4任意一項所述的基于深度學習的無人艇目標探測與自主識別系統，其特征在于，所述自動布放回收系統包括：拖纜、自動布放回收裝置、絞車；所述拖纜連接拖體與水面無人艇(USV)，用于拖曳拖體，其內置的光纖纜用于數據傳輸；所述絞車用于對拖纜進行存儲和釋放；所述自動布放回收裝置用于對布放和回收過程進行控制實現對拖體的自動布放和回收；該自動布放回收裝置可模塊化搭載到水面無人艇(USV)進行作業，布置在后甲板或者艙內。

6.如權利要求5所述的基于深度學習的無人艇目標探測與自主識別系統，其特征在于，所述自動布放回收裝置與所述絞車采用滑道式設計，搭載于水面無人艇后甲板；通過所述拖纜與所述水下目標探測系統進行連接；當所述自動布放回收裝置下發布放指令后，所述絞車將拖纜釋放，將所述拖體釋放至水下預定位置；當所述自動布放回收裝置下發回收指令后，所述絞車將拖纜回收，將所述拖體回收至無人艇后甲板。

7.一種如權利要求1-6任意一項所述的基于深度學習的無人艇目標探測與自主識別系統的目標識別方法，其特征在于，包括：

步驟S101，收集前視聲納的圖像和合成孔徑聲納的圖像，使用圖像標注軟件進行標注，建立深度學習圖像訓練數據集；

步驟S102，通過實驗建立目標探測結果數據庫，探測結果數據庫中，隨機抽取深度神經網絡的訓練數據、測試數據和驗證數據；所述測試數據和所述驗證數據分別用于對深度神經網絡的最終輸出結果進行測試和驗證；

步驟S103，利用設計的深度神經網絡訓練出具有辨識目標特性的深度神經網絡模型，將信息采集、信號特征提取、目標位置變化短期預測、結果輸出的步驟一體化處理；

步驟S104，將訓練好的識別模型分別部署在前視聲納識別板與合成孔徑識別板上；

步驟S105，所述前視聲納圖像識別板和所述合成孔徑聲納圖像識別板接收前視聲納和合成孔徑聲納上傳的圖像數據，進行目標檢測與識別，將識別結果發送顯控計算機；

步驟S106，所述顯控計算機對所述識別結果進行決策級融合，去除虛假目標后進行顯示。