【技術實現步驟摘要】
本專利技術涉及水下目標檢測，具體涉及一種用于水下智能機器人的水下目標識別方法。
技術介紹
1、水下目標識別是專用水下機器人最重要的任務之一。視覺是尋找目標物的有效途徑，考慮到水下環境的復雜性，水對光的散射作用、水體自身的折射、水中存在的懸浮物帶來的干擾、水下波紋對太陽光的匯聚作用、水上垃圾等問題，并且對所要檢測的目標圖像會產生霧化、色彩失真、對比度下降和圖像細節模糊、后向散射噪聲等影響。水下目標識別需要解決顏色失真、對比度降低、圖像細節模糊、懸浮物干擾、光斑效應等一系列問題。因此對水下環境圖像進行處理是完成水下各種任務的必要準備條件。
2、現如今，大多數基于卷積神經網絡的目標識別算法，部署在pc或者服務器端，邊緣設備主要是負責圖像的采集和預處理。在一些邊緣設備上，圖像檢測技術應用大多數是基于傳統目標檢測算法，對于魯棒性和泛用性遠不如基于卷積神經網絡的目標識別算法。基于linux系統的圖像檢測和深度學習技術目前仍然處于發展階段，目前為止也沒有一個完整的關于跨x86平臺移植和應用方案。
3、深度學習通常使用圖形處理器(graphicprocessingunit，gpu)，部署一個網絡模型進行學習，達到較好的識別效果，這種方法對算力的要求較高、功耗也比較大。目前為止，相比于傳統算法，基于卷積神經網絡的目標識別算法往往有著更高的準確度和更好的泛用性。但是無論算法在訓練階段還是推理階段都對平臺的算力有著較高的要求，為了算法的最終落地往往需要付出高昂的成本，這也限制了目標識別算法在民用領域的發展和創新。
5、因此，如何在輕量化系統的圖像檢測和深度學習技術的基礎上，提高水下圖像的清晰度、輸出無霧圖像以及部署基于神經網絡的水下目標識別方法，成為了需要進一步研究和解決的問題。
技術實現思路
1、針對上述現有技術的不足，本專利技術提供了一種用于水下智能機器人的水下目標識別方法，能夠用以部署在水下智能機器人的輕量化系統中，提高水下智能機器人執行水下目標識別任務的準確性和實時性。
2、為了解決上述技術問題，本專利技術采用了如下技術方案：
3、一種用于水下智能機器人的水下目標識別方法，所述方法包括：
4、s1、獲取經過目標物類別標注的水下樣本圖像，形成水下樣本圖像數據集；
5、s2、基于特征融合注意力網絡構架，構建用于對水下圖像進行目標識別的水下目標識別網絡模型；
6、s3、用水下樣本圖像數據集中的水下樣本圖像作為輸入圖像，對輸入圖像進行增強處理后，輸入至所述水下目標識別網絡模型進行訓練，得到訓練后的水下目標識別網絡模型；
7、s4、將訓練后的水下目標識別網絡模型部署到水下智能機器人的檢測模組，并建立水下智能機器人的圖像采集模組與所述檢測模組之間的通信，將水下智能機器人的圖像采集模組獲取的水下圖像作為輸入圖像，經過增強處理后輸入至檢測模組中部署的水下目標識別網絡模型進行識別檢測，得到水下目標識別結果。
8、作為優選方案，在將輸入圖像輸入至水下目標識別網絡模型前，先采用具有色彩恢復的多尺度增強算法對輸入圖像進行增強處理，其中對輸入的原始圖形的每個通道按如下方式進行增強處理：
9、
10、其中，s(x,y)表示增強前的原始圖像；表示對原始圖像第i個色彩通道的增強輸出；ci(x,y)表示對原始圖像第i個色彩通道的色彩恢復因子；b(x,y)表示原始圖像的雙邊濾波圖像；g、b分別為具有色彩恢復的多尺度增強算法的增益值和偏移值；*表示卷積運算；ωk表示具有色彩恢復的多尺度增強算法中第k個尺度的增強權重，k表示具有色彩恢復的多尺度增強算法中包含的尺度個數。
11、具體而言，原始圖像第i個色彩通道的色彩恢復因子ci(x,y)按如下方式計算：
12、
13、式中，ij(x,y)表示原始圖像在第i個色彩通道的像素值，示原始圖像的三個色彩通道在每個像素位置的像素值之和；α、β為色彩恢復調節參數，用以分別控制色彩恢復的強度和影響程度。
14、具體而言，原始圖像的雙邊濾波圖像b(x,y)按如下方式計算：
15、
16、式中，b(x,y)表示濾波后的像素值；i(p)、i(q)分別表示原始圖像中在像素坐標p＝(xp,yp)和q＝(xq,yq)的像素值，s表示原始圖像的像素坐標域；gd(||p-q||)表示空間核函數，用于衡量p＝(xp,yp)、q＝(xq,yq)兩個像素坐標之間的像素空間距離；gr(|i(p)-i(q)|)表示像素值核函數，用于衡量i(p)、i(q)像素值之間的像素值差異；wp表示雙邊濾波的歸一化的權重系數。
17、具體而言，雙邊濾波的歸一化的權重系數wp按如下方式計算：
18、wp＝∑q∈sgd(||p-q||)gr(|i(p)-i(q)|)；
19、
20、
21、式中，||p-q||表示p＝(xp,yp)、q＝(xq,yq)兩個像素坐標之間的空間距離；|i(p)-i(q)|)表示i(p)、i(q)像素值的差值絕對值；σd表示控制空間域權重分布范圍的參數；σr表示控制灰度域權重分布范圍的參數。
22、作為優選方案，所述水下目標識別網絡模型包括依次連接的一個前置卷積層、一個局部殘差注意力特征組群結構、一個特征注意力模塊和兩個后置卷積層；所述前置卷積層用于對水下目標識別網絡模型的輸入圖像進行預處理，提取其淺層特征；所述局部殘差注意力特征組結構用于提取輸入圖像中的深層噪聲特征，并保留淺層信息，并加以融合；所述特征注意力模塊用于進一步提取輸入圖像中的空間特征和像素特征；兩個后置卷積層用于進行最后的特征融合重構處理，得到水下目標識別網絡模型的輸出。
23、具體而言，所述局部殘差注意力特征組群結構包括三個級聯全連接的局部殘差注意力特征組，局部殘差注意力特征組群結構的處理過程表示為：
24、gs(f′)＝concat[g3(g2(g1(f′)))]；
25、其中，f′為局部殘差注意力特本文檔來自技高網...
【技術保護點】
1.一種用于水下智能機器人的水下目標識別方法，其特征在于，所述方法包括：
2.根據權利要求1所述用于水下智能機器人的水下目標識別方法，其特征在于，在將輸入圖像輸入至水下目標識別網絡模型前，先采用具有色彩恢復的多尺度增強算法對輸入圖像進行增強處理，其中對輸入的原始圖形的每個通道按如下方式進行增強處理：
3.根據權利要求2所述用于水下智能機器人的水下目標識別方法，其特征在于，原始圖像第i個色彩通道的色彩恢復因子Ci(x,y)按如下方式計算：
4.根據權利要求2所述用于水下智能機器人的水下目標識別方法，其特征在于，原始圖像的雙邊濾波圖像B(x,y)按如下方式計算：
5.根據權利要求4所述用于水下智能機器人的水下目標識別方法，其特征在于，雙邊濾波的歸一化的權重系數Wp按如下方式計算：
6.根據權利要求1所述用于水下智能機器人的水下目標識別方法，其特征在于，所述水下目標識別網絡模型包括依次連接的一個前置卷積層、一個局部殘差注意力特征組群結構、一個特征注意力模塊和兩個后置卷積層；所述前置卷積層用于對水下目標識別網絡模型的輸入圖像進行
7.根據權利要求6所述用于水下智能機器人的水下目標識別方法，其特征在于，所述局部殘差注意力特征組群結構包括三個級聯全連接的局部殘差注意力特征組，局部殘差注意力特征組群結構的處理過程表示為：
8.根據權利要求6或7所述用于水下智能機器人的水下目標識別方法，其特征在于，所述特征注意力模塊包括級聯的通道注意力單元和像素注意力單元；
9.根據權利要求8所述用于水下智能機器人的水下目標識別方法，其特征在于，所述水下目標識別網絡模型的處理過程表示為：
10.根據權利要求1所述用于水下智能機器人的水下目標識別方法，其特征在于，所述水下目標識別網絡模型訓練的損失函數具體為：
...【技術特征摘要】
1.一種用于水下智能機器人的水下目標識別方法，其特征在于，所述方法包括：
2.根據權利要求1所述用于水下智能機器人的水下目標識別方法，其特征在于，在將輸入圖像輸入至水下目標識別網絡模型前，先采用具有色彩恢復的多尺度增強算法對輸入圖像進行增強處理，其中對輸入的原始圖形的每個通道按如下方式進行增強處理：
3.根據權利要求2所述用于水下智能機器人的水下目標識別方法，其特征在于，原始圖像第i個色彩通道的色彩恢復因子ci(x,y)按如下方式計算：
4.根據權利要求2所述用于水下智能機器人的水下目標識別方法，其特征在于，原始圖像的雙邊濾波圖像b(x,y)按如下方式計算：
5.根據權利要求4所述用于水下智能機器人的水下目標識別方法，其特征在于，雙邊濾波的歸一化的權重系數wp按如下方式計算：
6.根據權利要求1所述用于水下智能機器人的水下目標識別方法，其特征在于，所述水下目標識別網絡模型包括依次連接的一個前置卷積層、一個局部殘差注意力特征組群結構、一個特征注意力模塊和兩個后置...
【專利技術屬性】
技術研發人員：余曉霞，張志剛，劉歡，李鑫，馬心雨，李智龍，蘭家水，
申請(專利權)人：重慶理工大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。