[發明專利]一種基于輕量型卷積網絡的多角度聲吶圖像目標分類方法

在審

• 申請號: 202310002666.X
• 申請日: 2023-01-03
• 公開（公告）號: CN116343016A
• 公開（公告）日: 2023-06-27
• 發明（設計）人: 鞏文靜;田杰;劉紀元
• 申請（專利權）人: 中國科學院聲學研究所
• 主分類號: G06V20/05
• 分類號: G06V20/05;G06V10/40;G06V10/764;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 北京方安思達知識產權代理有限公司 11472
• 代理人: 武玥;楊青

1.一種基于輕量型卷積網絡的多角度聲吶圖像目標分類方法，所述方法包括：

將目標的多個角度的單通道聲吶圖像預處理后進行信息融合，獲得目標的多角度聲吶圖像；

將目標的多角度聲吶圖像輸入預選建立并訓練好的基于輕量型卷積網絡的多角度聲吶圖像目標分類模型中，得到目標分類結果；

其中，所述多角度聲吶圖像目標分類模型通過對輕量型MobileNetV2網絡改進得到；所述對輕量型MobileNetV2網絡改進，包括：去掉輕量型MobileNetV2網絡中特征提取卷積層Conv2之后的網絡層，并修改特征提取卷積層Conv2的通道數；添加Flatten層實現降維操作，并且添加Dropout層進行隨機丟棄，最后添加一個全連接層對結果進行分類。

2.根據權利要求1所述的基于輕量型卷積網絡的多角度聲吶圖像目標分類方法，其特征在于，所述多角度聲吶圖像目標分類模型具體包括：特征提取模塊和分類模塊；其中，

所述特征提取模塊包括輸入層Input、特征提取卷積層Conv1、瓶頸層Bottleneck1-Bottleneck7、特征提取卷積層Conv2、Flatten層和Dropout層；其中，特征提取卷積層Conv2的通道數為128，Dropout層的丟棄率為0.5；

所述分類模塊包括一個全連接層。

3.根據權利要求2所述的基于輕量型卷積網絡的多角度聲吶圖像目標分類方法，其特征在于，所述多角度聲吶圖像目標分類模型的處理過程具體包括：

輸入層Input將目標的多角度聲吶圖像送入特征提取卷積層Conv1；

具有3×3卷積核的特征提取卷積層Conv1對多角度聲吶圖像進行特征圖提取，并輸入瓶頸層Bottleneck1-Bottleneck7；

瓶頸層Bottleneck1-Bottleneck7中每一層Bottleneck均包括：第一標準卷積、一個深度可分離卷積和第二標準卷積；首先，1×1的第一標準卷積進行維度擴展操作，其次，3×3的深度分離卷積進行特征提取，最后，1×1的第二標準卷積將數據進行壓縮；瓶頸層Bottleneck1-Bottleneck7中每一層Bottleneck依次對特征圖進行處理，并將處理后的特征圖輸入特征提取卷積層Conv2；

特征提取卷積層Conv2的通道數設置為128，對特征圖進行處理并輸入到Flatten層；

Flatten層將特征圖轉化為一維，并輸入到Dropout層；

Dropout層對特征圖進行隨機丟棄處理；

全連接層將目標分類并輸出目標分類結果，即目標屬于某一類別的概率。

4.根據權利要求3所述的基于輕量型卷積網絡的多角度聲吶圖像目標分類方法，其特征在于，所述第一標準卷積使用函數ReLU6(x)進行激活，表達式為：

ReLU6(x)＝min(6,max(x,0))

其中，x表示激活函數輸入值，min(·)表示取最小值函數，max(·)表示取最大值函數；

所述第二標準卷積使用函數Linea(x)進行激活，表達式為：

Linear(x)＝x。

5.根據權利要求4所述的基于輕量型卷積網絡的多角度聲吶圖像目標分類方法，其特征在于，所述深度可分離卷積使用標準化BN層進行正則化，表達式為：

其中，為卷積層的輸出結果，m表示當前網絡層節點的總個數，x_i表示當前網絡層第i個節點的值，μ_B和分別表示均值和方差，y_i為歸一化后的輸出結果，表示歸一化后的x_i值，ε表示正則化因子，γ和β為可學習重構參數；

所述深度可分離卷積使用函數ReLU6(x)進行激活，表達式為：

ReLU6(x)＝min(6,max(x,0))。