CN112907660A - 面向小样本的水下激光目标检测仪 - Google Patents
面向小样本的水下激光目标检测仪 Download PDFInfo
- Publication number
- CN112907660A CN112907660A CN202110023563.2A CN202110023563A CN112907660A CN 112907660 A CN112907660 A CN 112907660A CN 202110023563 A CN202110023563 A CN 202110023563A CN 112907660 A CN112907660 A CN 112907660A
- Authority
- CN
- China
- Prior art keywords
- target
- neural network
- representing
- underwater laser
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 claims abstract description 55
- 230000009467 reduction Effects 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000003384 imaging method Methods 0.000 claims abstract description 22
- 238000013527 convolutional neural network Methods 0.000 claims description 40
- 230000006870 function Effects 0.000 claims description 31
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 abstract 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 20
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003760 hair shine Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000008239 natural water Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Abstract
本发明公开了面向小样本的水下激光目标检测仪,针对水下激光图像样本较少的情况,实现水下激光目标识别,该面向小样本的水下激光目标检测仪由水下激光扫描仪、数据库以及上位机组成,水下激光扫描仪对所检测水下区域进行照射,并将水下激光仪成像图数据存储到数据库中,上位机采集数据库中的数据,对所采集的数据进行数据增强,从而对数据库中的水下激光仪成像图进行扩充,提高训练样本的数量,对训练样本进行图像降噪,基于降噪后的水下激光图像进行鲁棒检测模型建模,并利用鲁棒检测模型检测新的水下激光图像。本发明实现了面向小样本的、智能性强、高精度、高准确率的水下激光目标在线检测,解决了大量样本标注成本高的问题。
Description
技术领域
本发明涉及水下激光图像处理领域,特别地,涉及面向小样本的水下激光目标检测仪。
背景技术
由于水体对入射光的强烈的衰减作用,使得入射光在水中传播时呈指数级衰减,普通的光源由于本身的准直性较差,在水下传播时也难以达到理想的探测深度。激光的出现提供了一种新的水下探测的手段,利用激光的高准直性,在海洋窗口的低衰减可以达到以往光学手段难以达到的探测深度。特别是现在激光雷达技术的应用除了可以进行更大水深的目标探测外,还可以克服声纳设备由于水和空气声阻不匹配的问题,实现从水上到水下的直接探测。激光水下探测技术经历了几十年的发展,相关的技术也越来越成熟。
但是,由于水体以及水中溶解和悬浮物质对入射光的强烈吸收和散射作用,水下成像的有效观测距离仍然存在诸多限制,在现阶段利用同步空间几何分离法能够实现的自然水域的有效成像距离依旧在九个衰减长度以内,难以满足更深水域中的观测需求。同时现有的水下激光目标的检测模型精度较低,有时存在识别不出目标的情况。并且现有的水下激光目标检测方法需要大量的训练样本,但是对训练样本进行标注是需要大量的成本,对小样本的处理较差,容易产生过拟合现象。对于各种水下警戒和水下勘探而言,研究的主要目标是在小样本的条件下提高水下激光背景下目标的检测能力。
发明内容
为了克服已有水下激光目标检测方法训练样本较大、无法实现在线检测、智能性较差的不足,本发明提供面向小样本的、实现在线检测、智能性强的面向小样本的水下激光目标检测仪。
本发明解决其技术问题所采用的技术方案是:一种面向小样本的水下激光目标检测仪,包括水下激光扫描仪、数据库以及上位机,水下激光扫描仪、数据库以及上位机依次相连,其特征在于所述水下激光扫描仪对所检测水下区域进行照射,并将水下激光仪成像图数据存储到所述的数据库,所述的上位机包括:
数据增强模块,用以对所采集水下激光仪成像图进行扩充,采用如下过程完成:
1.1)从数据库中采集N张图片的灰度值ri,i=1,...,N作为训练样本;
1.2)对训练样本进行对数变换,得到对数变换后图片的灰度值:
1.3)将对比度调整后的图片与原图片混合,作为新的训练样本trq,q=1,...,2N;
图像降噪模块,用以进行将水下激光仪成像图数据输入D层的卷积神经网络进行降噪,D表示用于图像降噪模块的卷积神经网络的层数,采用如下过程完成:
2.1)将数据增强后新的训练样本trq输入卷积神经网络的第1层,使用大小为3×3×c的滤波器生成64张特征图fj q,q=1,...,2N,j=1,...,64,其中c表示图像通道数。然后对每张特征图使用非线性激活函数ReLU函数,则卷积神经第一层的输出根据下式确定:
其中q=1,...,2N,j=1,...,64;
2.3)将卷积神经网络的第(D-1)层的输出输入卷积神经网络的第D层,采用尺寸为3×3×64的滤波器重构输出,得到降噪图像;
2.4)图像降噪模块的D层卷积神经网络的损失函数l(Θ)的计算公式如下:
其中N表示图像降噪模块卷积神经网络的训练样本数量,χσ表示第σ张真实的无噪声图片,ψσ表示第σ张在χσ上添加噪声的图片,Θ表示卷积神经网络输出的去噪声图片,表示Θ与ψσ之间的残差图片,||·||F表示Frobenius范数,是矩阵中各元素的平方和开方,其计算公式如下:
其中G表示Λ×Γ维的矩阵,gλ,γ表示矩阵G中第λ行、第γ列的元素;
鲁棒检测模型建模模块,用以建立水下激光目标检测模型,采用如下过程完成:
3.1)将数据增强后的训练样本输入Focus结构,其中Focus结构是将608×608×3的图像通过切片操作变为304×304×12大小的特征图,再经过一个32个卷积核的卷积操作,最终变为304×304×32大小的特征图;
3.2)将Focus结构输出的特征图输入3个CSP结构,其中CSP结构采用YOLOv5中的CSP结构,CSP结构中卷积核大小为3×3,stride=2,可以起到下采样的作用,304×304大小的特征图经过第1个CSP结构得到152×152大小的特征图,经过第2个CSP结构得到76×76大小的特征图,最后经过第3个CSP结构得到38×38大小的特征图;
3.3)将第3个CSP结构输出的特征图输入SPP结构,SPP结构对特征图进行最大池化操作,其中最大池化采用边缘填充的方法,且对特征图分别采用1×1,5×5,9×9,13×13的最大池化的方式,再对池化后的三个特征图进行多尺度融合,其中多尺度融合方式为将最大池化后得到的特征进行张量拼接concat;
3.4)SPP结构输出的特征图将经过YOLOv5中FPN和PAN结构提取语义特征和定位特征,该结构输出3个大小分别为76×76,38×38,19×19的矩形预测框,记作B=(x,y,w,h);
其中x表示矩形预测框左上角的横坐标,y表示矩形预测框左上角的纵坐标,w表示矩形预测框的宽,h表示矩形预测框的长;
3.5)将网络输出的矩形预测框与实际的矩形目标框之间的差作为损失函数,所述损失函数即距离交并比损失函数lDIOU的计算公式如下:
其中ρ(·)表示欧几里得距离,b表示矩形预测框的中心点,bgt表示实际的矩形目标框的中心点,d表示覆盖两个框的最小封闭框的对角线长度,B为网络输出的矩形预测框,Bgt为实际的矩形目标框,Bgt=(xgt,ygt,wgt,hgt),其中xgt表示实际的矩形目标框左上角的横坐标,ygt表示实际的矩形目标框左上角的纵坐标,wgt表示实际的矩形目标框的宽,hgt表示实际的矩形目标框的长,IoU表示矩形目标框和矩形预测框的交并比;
3.6)优化D层卷积神经网络的参数,优化的目标是使得损失函数最小化,所述优化目标的计算公式如下:
其中pt表示第t次迭代后卷积神经网络中的参数,t表示迭代次数;
3.6.1)计算损失函数lDIoU的一阶梯度mt,一阶梯度mt的计算公式如下:
mt=β1×mt-1+(1-β1)×▽lDIoU(pt)
其中β1表示一阶梯度的系数,▽表示梯度,mt-1表示第t-1次迭代后的一阶梯度;
3.6.2)计算损失函数lDIoU的二阶梯度vt,二阶梯度vt的计算公式如下:
vt=β2×vt-1+(1-β2)×(▽lDIoU(pt))2
其中β2表示二阶梯度的系数,▽表示梯度,vt-1表示第t-1次迭代后的二阶梯度;
3.6.3)卷积神经网络中第k个参数的第t次迭代后的值wt k的迭代方式如下:
其中表示卷积神经网络中第k个参数的第t-1次迭代后的值,η表示学习率,ε表示一个无限接近0的正数,mt表示第t次迭代后的一阶梯度,vt表示第t次迭代后的二阶梯度,表示第t次迭代后一阶梯度的校正,表示第t次迭代后二阶梯度的校正;
目标检测模块,用以进行水下激光目标检测,采用如下过程完成:
4.1)在采样时刻τ采集到的水下激光仪成像图pτ;
结果显示模块,用以将目标检测模块的检测结果即待检测目标的位置信息和分类信息在上位机显示。
本发明的技术构思为:本发明针对水下激光的强烈吸收和散射作用,对水下激光仪成像图进行图像降噪,并对降噪后的图像数据进行非线性拟合,建立水下激光目标的检测模型,检测图像中目标的位置和类别,从而实现水下激光背景下的面向小样本的强智能目标检测。
本发明的有益效果主要表现在:1、可在线检测水下激光目标;2、所用的检测方法只需较少样本;3、智能性强、受人为因素影响小;4、精度高;5、准确率高。
附图说明
图1是本发明所提出的鲁棒检测模型神经网络结构示意图;
具体实施方式
下面结合附图对本发明作进一步描述。本发明实施例用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
参考图1,面向小样本的水下激光目标检测仪,包括水下激光扫描仪、数据库以及上位机,水下激光扫描仪、数据库以及上位机依次相连,其特征在于所述水下激光扫描仪对所检测水下区域进行照射,并将水下激光仪成像图数据存储到所述的数据库,所述的上位机包括:
数据增强模块,用以对所采集水下激光仪成像图进行扩充,提高鲁棒检测模型的泛化能力,提升鲁棒检测模型的鲁棒性,采用如下过程完成:
1.1)从数据库中采集N张图片的灰度值ri,i=1,...,N作为训练样本;
1.2)对训练样本进行对数变换,得到对数变换后图片的灰度值:
1.3)将对比度调整后的图片与原图片混合,作为新的训练样本trq,q=1,...,2N。
图像降噪模块,用以进行将水下激光仪成像图数据输入D层的卷积神经网络进行降噪,D表示用于图像降噪模块的卷积神经网络的层数,可以降低水下激光成像图的噪声,有利于后续的目标检测,采用如下过程完成:
2.1)将数据增强后新的训练样本trq输入卷积神经网络的第1层,使用大小为3×3×c的滤波器生成64张特征图fj q,q=1,...,2N,j=1,...,64,其中c表示图像通道数。然后对每张特征图使用非线性激活函数ReLU函数,则卷积神经第一层的输出根据下式确定:
其中q=1,...,2N,j=1,...,64;
2.3)将卷积神经网络的第(D-1)层的输出输入卷积神经网络的第D层,采用尺寸为3×3×64的滤波器重构输出,得到降噪图像;
2.4)图像降噪模块的D层卷积神经网络的损失函数l(Θ)的计算公式如下:
其中N表示图像降噪模块卷积神经网络的训练样本数量,χσ表示第σ张真实的无噪声图片,ψσ表示第σ张在χσ上添加噪声的图片,Θ表示卷积神经网络输出的去噪声图片,表示Θ与ψσ之间的残差图片,||·||F表示Frobenius范数,是矩阵中各元素的平方和开方,其计算公式如下:
其中G表示Λ×Γ维的矩阵,gλ,γ表示矩阵G中第λ行、第γ列的元素。
鲁棒检测模型建模模块,图1为本例所使用的神经网络,其由Focus结构、CSP结构、SPP结构、concat结构、FPN和PAN结构组成。用以建立水下激光目标检测模型,采用如下过程完成:
3.1)将数据增强后的训练样本输入Focus结构,其中Focus结构是将608×608×3的图像通过切片操作变为304×304×12大小的特征图,再经过一个32个卷积核的卷积操作,最终变为304×304×32大小的特征图;
3.2)将Focus结构输出的特征图输入3个CSP结构,其中CSP结构采用YOLOv5中的CSP结构,CSP结构中卷积核大小为3×3,stride=2,可以起到下采样的作用,304×304大小的特征图经过第1个CSP结构得到152×152大小的特征图,经过第2个CSP结构得到76×76大小的特征图,最后经过第3个CSP结构得到38×38大小的特征图;
3.3)将第3个CSP结构输出的特征图输入SPP结构,SPP结构对特征图进行最大池化操作,其中最大池化采用边缘填充的方法,且对特征图分别采用1×1,5×5,9×9,13×13的最大池化的方式,再对池化后的三个特征图进行多尺度融合,其中多尺度融合方式为将最大池化后得到的特征进行张量拼接concat;
3.4)SPP结构输出的特征图将经过YOLOv5中FPN和PAN结构提取语义特征和定位特征,该结构输出3个大小分别为76×76,38×38,19×19的矩形预测框,记作B=(x,y,w,h);
其中x表示矩形预测框左上角的横坐标,y表示矩形预测框左上角的纵坐标,w表示矩形预测框的宽,h表示矩形预测框的长;
3.5)将网络输出的矩形预测框与实际的矩形目标框之间的差作为损失函数,所述损失函数即距离交并比损失函数lDIoU的计算公式如下:
其中ρ(·)表示欧几里得距离,b表示矩形预测框的中心点,bgt表示实际的矩形目标框的中心点,d表示覆盖两个框的最小封闭框的对角线长度,B为网络输出的矩形预测框,Bgt为实际的矩形目标框,Bgt=(xgt,ygt,wgt,hgt),其中xgt表示实际的矩形目标框左上角的横坐标,ygt表示实际的矩形目标框左上角的纵坐标,wgt表示实际的矩形目标框的宽,hgt表示实际的矩形目标框的长,IoU表示矩形目标框和矩形预测框的交并比;
3.6)优化D层卷积神经网络的参数,优化的目标是使得损失函数最小化,所述优化目标的计算公式如下:
其中pt表示第t次迭代后卷积神经网络中的参数,t表示迭代次数;
3.6.1)计算损失函数lDIoU的一阶梯度mt,一阶梯度mt的计算公式如下:
mt=β1×mt-1+(1-β1)×▽lDIoU(pt)
其中β1表示一阶梯度的系数,▽表示梯度,mt-1表示第t-1次迭代后的一阶梯度;
3.6.2)计算损失函数lDIoU的二阶梯度vt,二阶梯度vt的计算公式如下:
vt=β2×vt-1+(1-β2)×(▽lDIoU(pt))2
其中β2表示二阶梯度的系数,▽表示梯度,vt-1表示第t-1次迭代后的二阶梯度;
3.6.3)卷积神经网络中第k个参数的第t次迭代后的值wt k的迭代方式如下:
其中表示卷积神经网络中第k个参数的第t-1次迭代后的值,η表示学习率,ε表示一个无限接近0的正数,mt表示第t次迭代后的一阶梯度,vt表示第t次迭代后的二阶梯度,表示第t次迭代后一阶梯度的校正,表示第t次迭代后二阶梯度的校正。
目标检测模块,用以进行水下激光目标检测,采用如下过程完成:
4.1)在采样时刻τ采集到的水下激光仪成像图pτ;
结果显示模块,用以将目标检测模块的检测结果即待检测目标的位置信息和分类信息在上位机显示。
所述上位机的硬件部分包括:UPS电源,用于上位机的供电;I/O元件,用于数据的采集和信息的传递;数据存储器,存储运行所需的数据样本和运行参数等;程序存储器,存储实现功能模块的软件程序;运算器,执行程序,实现指定的功能;网络交换机,用于为子网络提供更多连接端口;显示模块,显示设置的参数和检测结果。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (6)
1.一种面向小样本的水下激光目标检测仪,其特征在于:包括水下激光扫描仪、数据库和上位机,所述上位机包括依次相连的数据增强模块、图像降噪模块、鲁棒检测模型建模模块、目标检测模块和结果显示模块。所述水下激光扫描仪对所检测水下区域进行照射,并将水下激光仪成像图数据存储到所述的数据库。数据增强模块从数据库中采集水下激光仪成像图,对所采集水下激光仪成像图进行扩充,得到水下激光仪成像图训练样本;图像降噪模块将数据增强模块得到的训练样本输入D层的卷积神经网络进行降噪,得到降噪后的训练样本;鲁棒检测模型建模模块将图像降噪模块得到的降噪后的训练样本建立检测模型,得到鲁棒检测模型;目标检测模块将鲁棒检测模型建模模块得到的鲁棒检测模型用于处理实时采集到的水下激光仪成像图,得到待检测目标的位置信息和分类信息,结果显示模块将目标检测模块的检测结果在上位机显示。
3.根据权利要求1所述面向小样本的水下激光目标检测仪,其特征在于:所述图像降噪模块用以进行将水下激光仪成像图数据输入D层的卷积神经网络进行降噪,D表示用于图像降噪模块的卷积神经网络的层数,采用如下过程完成:
3.1)将数据增强后新的训练样本trq输入卷积神经网络的第1层,使用大小为3×3×c的滤波器生成64张特征图fj q,q=1,...,2N,j=1,...,64,其中c表示图像通道数。然后对每张特征图使用非线性激活函数ReLU函数,则卷积神经第一层的输出根据下式确定:
其中q=1,...,2N,j=1,...,64;
3.3)将卷积神经网络的第(D-1)层的输出输入卷积神经网络的第D层,采用尺寸为3×3×64的滤波器重构输出,得到降噪图像;
3.4)图像降噪模块的D层卷积神经网络的损失函数l(Θ)的计算公式如下:
其中N表示图像降噪模块卷积神经网络的训练样本数量,χσ表示第σ张真实的无噪声图片,ψσ表示第σ张在χσ上添加噪声的图片,Θ表示卷积神经网络输出的去噪声图片,表示Θ与ψσ之间的残差图片,||·||F表示Frobenius范数,是矩阵中各元素的平方和开方,其计算公式如下:
其中G表示Λ×Γ维的矩阵,gλ,γ表示矩阵G中第λ行、第γ列的元素。
4.根据权利要求1所述面向小样本的水下激光目标检测仪,其特征在于:所述鲁棒检测模型建模模块用以建立水下激光目标检测模型,采用如下过程完成:
4.1)将数据增强后的训练样本输入Focus结构,其中Focus结构是将608×608×3的图像通过切片操作变为304×304×12大小的特征图,再经过一个32个卷积核的卷积操作,最终变为304×304×32大小的特征图;
4.2)将Focus结构输出的特征图输入3个CSP结构,其中CSP结构采用YOLOv5中的CSP结构,CSP结构中卷积核大小为3×3,stride=2,可以起到下采样的作用,304×304大小的特征图经过第1个CSP结构得到152×152大小的特征图,经过第2个CSP结构得到76×76大小的特征图,最后经过第3个CSP结构得到38×38大小的特征图;
4.3)将第3个CSP结构输出的特征图输入SPP结构,SPP结构对特征图进行最大池化操作,其中最大池化采用边缘填充的方法,且对特征图分别采用1×1,5×5,9×9,13×13的最大池化的方式,再对池化后的三个特征图进行多尺度融合,其中多尺度融合方式为将最大池化后得到的特征进行张量拼接concat;
4.4)SPP结构输出的特征图将经过YOLOv5中FPN和PAN结构提取语义特征和定位特征,该结构输出3个大小分别为76×76,38×38,19×19的矩形预测框,记作B=(x,y,w,h);
其中x表示矩形预测框左上角的横坐标,y表示矩形预测框左上角的纵坐标,w表示矩形预测框的宽,h表示矩形预测框的长;
4.5)将网络输出的矩形预测框与实际的矩形目标框之间的差作为损失函数,所述损失函数即距离交并比损失函数lDIoU的计算公式如下:
其中ρ(·)表示欧几里得距离,b表示矩形预测框的中心点,bgt表示实际的矩形目标框的中心点,d表示覆盖两个框的最小封闭框的对角线长度,B为网络输出的矩形预测框,Bgt为实际的矩形目标框,Bgt=(xgt,ygt,wgt,hgt),其中xgt表示实际的矩形目标框左上角的横坐标,ygt表示实际的矩形目标框左上角的纵坐标,wgt表示实际的矩形目标框的宽,hgt表示实际的矩形目标框的长,IoU表示矩形目标框和矩形预测框的交并比;
4.6)优化D层卷积神经网络的参数,优化的目标是使得损失函数最小化,所述优化目标的计算公式如下:
其中pt表示第t次迭代后卷积神经网络中的参数,t表示迭代次数;
4.6.1)计算损失函数lDIoU的一阶梯度mt,一阶梯度mt的计算公式如下:
4.6.2)计算损失函数lDIoU的二阶梯度vt,二阶梯度vt的计算公式如下:
4.6.3)卷积神经网络中第k个参数的第t次迭代后的值wt k的迭代方式如下:
6.根据权利要求1所述面向小样本的水下激光目标检测仪,其特征在于:结果显示模块用以将目标检测模块的检测结果即待检测目标的位置信息和分类信息在上位机显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110023563.2A CN112907660B (zh) | 2021-01-08 | 2021-01-08 | 面向小样本的水下激光目标检测仪 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110023563.2A CN112907660B (zh) | 2021-01-08 | 2021-01-08 | 面向小样本的水下激光目标检测仪 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112907660A true CN112907660A (zh) | 2021-06-04 |
CN112907660B CN112907660B (zh) | 2022-10-04 |
Family
ID=76112265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110023563.2A Active CN112907660B (zh) | 2021-01-08 | 2021-01-08 | 面向小样本的水下激光目标检测仪 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112907660B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113655797A (zh) * | 2021-08-19 | 2021-11-16 | 江苏科技大学 | 用于清理水面油污和漂浮物的清污船、清污控制系统及清污控制方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140105516A1 (en) * | 2008-04-08 | 2014-04-17 | The U S A, as represented by the Navy, Chief of Naval Research, Office of Counsel | Automated Underwater Image Restoration Via Denoised Deconvolution |
CN108444447A (zh) * | 2018-02-28 | 2018-08-24 | 哈尔滨工程大学 | 一种用于水下避障系统中的渔网实时自主检测方法 |
CN108490415A (zh) * | 2018-05-14 | 2018-09-04 | 浙江大学 | 一种智能sar雷达海上舰船目标识别系统 |
CN110596774A (zh) * | 2019-09-09 | 2019-12-20 | 中国电子科技集团公司第十一研究所 | 红外探测潜艇的方法及装置 |
CN110824450A (zh) * | 2019-10-15 | 2020-02-21 | 中国人民解放军国防科技大学 | 一种噪声环境下的雷达目标hrrp鲁棒识别方法 |
CN111751839A (zh) * | 2020-06-30 | 2020-10-09 | 博雅工道(北京)机器人科技有限公司 | 一种水下智能扫描微分激光尺 |
CN111832513A (zh) * | 2020-07-21 | 2020-10-27 | 西安电子科技大学 | 基于神经网络的实时足球目标检测方法 |
CN111985387A (zh) * | 2020-08-17 | 2020-11-24 | 云南电网有限责任公司电力科学研究院 | 一种基于深度学习的安全帽佩戴预警方法及系统 |
CN112137591A (zh) * | 2020-10-12 | 2020-12-29 | 平安科技(深圳)有限公司 | 基于视频流的目标物位置检测方法、装置、设备及介质 |
-
2021
- 2021-01-08 CN CN202110023563.2A patent/CN112907660B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140105516A1 (en) * | 2008-04-08 | 2014-04-17 | The U S A, as represented by the Navy, Chief of Naval Research, Office of Counsel | Automated Underwater Image Restoration Via Denoised Deconvolution |
CN108444447A (zh) * | 2018-02-28 | 2018-08-24 | 哈尔滨工程大学 | 一种用于水下避障系统中的渔网实时自主检测方法 |
CN108490415A (zh) * | 2018-05-14 | 2018-09-04 | 浙江大学 | 一种智能sar雷达海上舰船目标识别系统 |
CN110596774A (zh) * | 2019-09-09 | 2019-12-20 | 中国电子科技集团公司第十一研究所 | 红外探测潜艇的方法及装置 |
CN110824450A (zh) * | 2019-10-15 | 2020-02-21 | 中国人民解放军国防科技大学 | 一种噪声环境下的雷达目标hrrp鲁棒识别方法 |
CN111751839A (zh) * | 2020-06-30 | 2020-10-09 | 博雅工道(北京)机器人科技有限公司 | 一种水下智能扫描微分激光尺 |
CN111832513A (zh) * | 2020-07-21 | 2020-10-27 | 西安电子科技大学 | 基于神经网络的实时足球目标检测方法 |
CN111985387A (zh) * | 2020-08-17 | 2020-11-24 | 云南电网有限责任公司电力科学研究院 | 一种基于深度学习的安全帽佩戴预警方法及系统 |
CN112137591A (zh) * | 2020-10-12 | 2020-12-29 | 平安科技(深圳)有限公司 | 基于视频流的目标物位置检测方法、装置、设备及介质 |
Non-Patent Citations (3)
Title |
---|
FENGLEI HAN 等: "Underwater Image Processing and Object Detection Based on Deep CNN Method", 《SENSORS》 * |
杨璐 等: "基于SSD算法的人脸目标检测的研究", 《计算机技术与发展》 * |
陈红梅 等: "基于多技术融合加权平滑的径向基函数神经网络熔融指数预报", 《计算机应用》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113655797A (zh) * | 2021-08-19 | 2021-11-16 | 江苏科技大学 | 用于清理水面油污和漂浮物的清污船、清污控制系统及清污控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112907660B (zh) | 2022-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113065558B (zh) | 一种结合注意力机制的轻量级小目标检测方法 | |
CN110956126B (zh) | 一种联合超分辨率重建的小目标检测方法 | |
CN111062880A (zh) | 一种基于条件生成对抗网络的水下图像实时增强方法 | |
CN108573479A (zh) | 基于对偶生成对抗式网络的人脸图像去模糊和恢复方法 | |
CN114862844B (zh) | 一种基于特征融合的红外小目标检测方法 | |
CN110807744B (zh) | 一种基于卷积神经网络的图像去雾方法 | |
CN113191489B (zh) | 二值神经网络模型的训练方法、图像处理方法和装置 | |
CN111612717A (zh) | 一种基于对抗网络的水面图像去反光修复方法和装置 | |
CN114120176A (zh) | 远红外与可见光视频图像融合的行为分析方法 | |
CN116757986A (zh) | 一种红外与可见光图像融合方法及装置 | |
CN116343015A (zh) | 基于人工智能的医用食物含水量测量系统 | |
CN114004766A (zh) | 一种水下图像增强方法、系统和设备 | |
CN112907660B (zh) | 面向小样本的水下激光目标检测仪 | |
Pérez et al. | Recovering depth from still images for underwater dehazing using deep learning | |
Singh et al. | Visibility enhancement and dehazing: Research contribution challenges and direction | |
CN113283429B (zh) | 基于深度卷积神经网络的液位式表计读数方法 | |
CN115439363A (zh) | 基于对比学习的视频去雾装置与去雾方法 | |
CN114663683A (zh) | 一种基于空间特征自监督的水下目标检测方法 | |
CN115170456A (zh) | 检测方法及相关设备 | |
Zheng et al. | An Underwater Image Restoration Deep Learning Network Combining Attention Mechanism and Brightness Adjustment | |
Li et al. | A transfer-based framework for underwater target detection from hyperspectral imagery | |
Yu et al. | Underwater inherent optical properties estimation using a depth aided deep neural network | |
Awan et al. | Underwater Image Restoration through Color Correction and UW-Net | |
Bhavanam et al. | Cosmic Ray rejection with attention augmented deep learning | |
CN117237796A (zh) | 一种基于特征增强和采样偏移的海产品检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |