CN115810144B 一种基于区域预检测的水中悬浮声呐目标识别方法 （西北工业大学）

WO2021243743A1,2021.12.一种基于区域预检测的水中悬浮声呐目标本发明公开了一种基于区域预检测的水中将水中悬浮目标的目标亮区和阴影区域进行同声呐目标的识别效果。首先利用YOLOv5s网络对声呐图像进行目标高亮区域以及阴影区域的预据多波束声呐的成像原理对属于同一目标的两2S1:根据多波束声呐成像原理和成像效果，对原始声呐图像进行坐标变换以及图像增S2:基于YOLOv5s网络对悬浮目标的亮区和阴影S4:根据成像原理对属于同一目标的亮区与阴S5:利用SLIC超像素算法对拼接后结果进行GrS7:消融实验设置，验证利用区域预检测和悬浮目标声影区信息的有效性以及验证不2.根据权利要求1所述的一种基于区域预检测的水中悬浮声呐目标识别方法，其特征多波束前视声呐图像主要以两种方式进行呈标的亮区与声影区进行标记与预检测后可以更加方便地利用目标框位置信息对区域进行3.根据权利要求1所述的一种基于区域预检测的水中悬浮声呐目标识别方法，其特征S21:构建用于悬浮目标亮区和声影区检测的为了更好的将同一目标的高亮区域和阴影区域特征进行结合，本部分利用YOLOv5s网S22:收集包含多种水中悬浮目标的声呐图像数3修改网络参数再将样本集送入到网络进行模型的训练，并获得最优检测效果下的模型参S23:利用训练好的模型，对待检测的多波束声呐利用训练好后的网络模型对待检测图像进行目标信息以及目标框信息，其中类别信息包含2种：亮区和暗区；目标框信息包含4个要素：4.根据权利要求1所述的一种基于区域预检测的水中悬浮声呐目标识别方法，其特征针对目标高亮区域，根据上述获得的声呐目标亮区的目标框信转换为能够表示区域所在原图范围的目标框左上角与右下角的像素位置坐标，转换完后，5.根据权利要求1所述的一种基于区域预检测的水中悬浮声呐目标识别方法，其特征对一张声呐图像中属于同一个声呐目标的高亮区域和阴影区域6.根据权利要求1所述的一种基于区域预检测的水中悬浮声呐目标识别方法，其特征4S51:利用SLIC聚类算法将悬浮声呐目标拼为了更好地将目标物的亮区特征和声影区特征进行关S52:对悬浮声呐目标进行基于超像素聚类的GrSLIC超像素聚类完成后，根据下式可获得每个超像素7.根据权利要求1所述的一种基于区域预检测的水中悬浮声呐目标识别方法，其特征将水中悬浮目标区域图像转换为图结构数据后，需构建图注意力将图结构中的节点数作为DGLGraph中的节点ID，节点的像素模型训练：首先进行数据读取与预处理，再将预处理后的图结构数据意力机制的主干网络利用GAT卷积进行消息传递，根据误差计算公式得到预测结果与真实络的前向传播中去，最后将验证集中的多波束声呐图像送入到模型中完成目标的识别工58.根据权利要求1所述的一种基于区域预检测的水中悬浮声呐目标识别方法，其特征准确性的角度对区域预检测和悬浮目标声影区信息的有效性颜色相似度和空间邻近度之间相对重要性的度量系数τ是影响SLIC聚类效果最重要的因素；不同τ的取值从而导致的不同识别效果可以很好的说明多波束声呐图像中的空间位6下目标探测识别。域的特征进行联合，而基于非欧几里得空间的图注意力网络可以很好地提取空间位置特图注意力网络对构建的声呐数据进行目标识[0007]S1:根据多波束声呐成像原理和成像效果，对原始声呐图像进行坐标变换以及图7[0013]S7:消融实验设置，验证利用区域预检测和悬浮目标声影区信息的有效性以及验程中利用以下坐标变换将扇形图像转换为常g(x,)=8j(x,).检测，本部分利用YOLO检测算法系列中识别速度最快的YOLOv5s网络对声呐图像中的目标利用YOLOv5s网络对多波束声呐图像中的悬浮目标物的亮区和声影区进行区域预检测的步先定义的损失函数计算出与Groundtruth8[0033]数据集构建：经过实地数据搜集，共整理出包含水中悬浮目标的多波束声呐803[0034]模型训练：将所有的样本集利用Labelme标注软件进行目标高亮区和声影区两种参数用于待检测图像的声呐目标亮区与声影区的检测。经过训练好后的网络模型的检测，[0041]转换完后，获得各个亮区目标框所在原图像中的位置区域，再根据获得的[xmin,9法将悬浮声呐目标拼接结果转换为图结构数据，从而有利于目标空间几何特征的提取。聚类得到的超像素中心序列，每个节点所包当前节点与邻居节点间的注意力系数聚合邻居信息，实现对不同邻居权重的自适应分配，[0083]本发明是基于DGL框架下完成图注意力网络的构建，因而需将图结构数据转换为素信息以及空间位置信息作为节点属性ndata，其次将边所连接的两个节点间的编号作为[0086]实验设置：硬件设备中，采用的CPU型号为InteI8xeonBsilver4110CPU@[0090](3)误差计算。利用损失函数对前向传播中获得的预测结果与真实结果进行误差[0092](5)模型预测。将验证集中的多波束声呐图像送入到训练好的模型中完成目标的[0097]为了验证区域预检测以及悬浮目标声影区信息的有效性，共制作了3类图结构数度对区域预检测和悬浮目标声影区信息的有效性进行[0099]颜色相似度和空间邻近度之间相对重要性的度量系数τ是影响SLIC聚类效果最重果更偏向于空间位置特征。因而不同τ的取值导致的不同识别效果可以很好的说明多波束性对空间位置特征和像素特征的相对重要性[0110]图11为本发明的验证区域预检测以及悬浮目标声影区信息有效性下的训练损失[0111]图12为本发明的验证区域预检测以及悬浮目标声影区信息有效性下的识别精度[0116]S1:根据多波束声呐成像原理和成像效果，对原始声呐图像进行坐标变换以及图[0122]S7:消融实验设置，验证利用区域预检测和悬浮目标声影区信息的有效性以及验g(x,J)=8f(x,).在本发明中8=7。[0131](2)中值滤波：中值滤波的基本思想就是将中心像素点的灰度值用邻域内的灰度种特征进行结合，本部分利用识别速度最快的YOLOv5s网络对声呐图像中的目标高亮区域先定义的损失函数计算出与Groundtruth[0145]模型训练：分割好后将所有的样本集利用Labelme标注软件进行目标高亮区和声[0149]参考图4显示了运用YOLOv5s对待检测声呐图像中的目标亮区以及阴影区域的检区的几何形状大致相似，因而只利用目标亮区信息进行目标类别的分类具有很大的难度；个区域的信息进行联合识别可以有效的提高声呐目标的识将其转换为能够表示区域所在原图范围的目标框左上角与右下角的[0155]转换完后，获得各个亮区目标框所在原图像中的位置区域，再根据获得的[xmin,[0160]对一张原始声呐图像进行裁剪处理后获得的所有目标亮区与声影区域图像都混域在同一个三角区域内，且以声呐换能器为顶点的声线同时相切于高亮区域以及阴影区[0165]参考图5显示了经过YOLO检测网络得到检测结果后进行剪切匹配与拼接的过程。图中第一列为经过YOLOv5s网络进行预检测获得的每张多波束声呐图像中所有目标的高亮邻两个超像素间的距离为s-、mT。在本发明中，悬浮声呐目标拼接结果图像大小为200[0172]初始定义的超像素聚类中心由于其规整性导致容易落在[0181]根据距离相似度测量规则，对超像素区域内所有像素点聚类得到的超像素中心序列，每个节点所包vj用的基于非欧几里得空间的图神经网络可以非常有效地利用前期预处理步骤获得的目标当前节点与邻居节点间的注意力系数聚合邻居信息，实现对不同邻居权重的自适应分配，[0212]图注意力层定义好后，选取合适的注意力层层数实现整网络中通过联合注意力层中的图注意力模块以及包含边权重系数的邻接矩阵实现图节点[0214]本发明是基于DGL框架下完成图注意力网络的构建，因而需将图结构数据转换为素信息以及空间位置信息作为节点属性ndata，其次将边所连接的两个节点间的编号作为型的搭建，采用的CPU型号为Inte18xeon8silver4110CPU@2.10Ghz，GPU的型号为中，数据集设置为制作好的悬浮声呐目标数据集，目标类别设置为5，epochs批次设置为的训练集数据送入到图注意力网络(GAT)中进行模型的训练，并最终获得最优识别效果的[0221](3)误差计算。利用损失函数对前向传播中获得的预测结果与真实结果进行误差[0223](5)模型预测。将验证集中的多波束声呐图像送入到训练好的模型中完成目标的[0224]参考图9显示了经过预检测进行剪切拼接后的数据集下的训练损失函数以及训练[0227]参考图10显示了经过预检测进行剪切拼接后的数据集下的验证集的损失曲线和本发明提出的针对多波束声呐下的悬浮目标识别模型具有较好的收敛效果以及识别[0230]为了验证区域预检测以及悬浮目标声影区信息的有效性，共制作了3类图结构数别准确性的角度对区域预检测和悬浮目标声影区信息的有效性[0231]参考图11显示了验证区域预检测以及悬浮目标声影区信息的有效性下3种图结构只提取目标亮区图像以及同时剪切出目标高亮区域和阴影区域的图像收敛效果大致相同，的针对多波束声呐下的悬浮目标识别模型在模型收敛性上具有[0232]参考图12显示了验证区域预检测以及悬浮目标声影区信息的有效性下3种图结构明提出的联合区域预检测以及悬浮目标声影区信息进行悬[0234]颜色相似度和空间邻近度间相对重要性的度量系数τ是影响聚类效果最重要的因[0235]参考图13显示了验证不同SLIC聚类结果下4种图结构数据的训练损失函数值对比[0236]参考图14显示了验证不同SLIC聚类结果下4种图结构数据的识别精度对比图。当