CN113762287A - 一种水下目标智能检测系统、方法及存储介质 - Google Patents

一种水下目标智能检测系统、方法及存储介质 Download PDF

Info

Publication number
CN113762287A
CN113762287A CN202111090483.5A CN202111090483A CN113762287A CN 113762287 A CN113762287 A CN 113762287A CN 202111090483 A CN202111090483 A CN 202111090483A CN 113762287 A CN113762287 A CN 113762287A
Authority
CN
China
Prior art keywords
image
yolov3
underwater target
network model
network
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.)
Pending
Application number
CN202111090483.5A
Other languages
English (en)
Inventor
吴珺
刘欣
王春枝
朱天亮
朱嘉辉
李天意
吴一帆
王姝彤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hubei University of Technology
Original Assignee
Hubei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hubei University of Technology filed Critical Hubei University of Technology
Priority to CN202111090483.5A priority Critical patent/CN113762287A/zh
Publication of CN113762287A publication Critical patent/CN113762287A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种水下目标智能检测系统、方法及存储介质。属于计算机视觉处理技术领域。通过利用Slice‑Concat网络结构对图像进行切片和拼接处理，可得到无数据损失的切片后的图像，该图像被切片后，其宽和高变小。由模型复杂度计算公式分析可知，其图像宽和高变小会直接提高模型的运算速度。同时用测试集对训练好的网络模型进行训练进行测试可确保模型的识别与检测精度。上述方法可确保本发明实现在确保水下目标检测精度的前提下提高目标的检测速度，做到对水下目标的高效实时检测。

Description

一种水下目标智能检测系统、方法及存储介质
技术领域
本发明涉及计算机视觉技术领域，特别是涉及一种水下目标智能检测系统、方法及存储介质。
背景技术
目标检测是计算机视觉领域当中一个非常热门的研究领域。其技术不论是在军用无人机，还是会消费级无人机上都有非常广泛的应用，实时目标检测功能是智能设备当下和未来非常重要的功能之一，但是由于硬件设施如内存和计算能力的限制，目标检测技术的发展受到了极大的限制，因而对目标检测网络进行剪枝与轻量化处理具有十分重要的研究价值。本发明在YOLOv3网络的主干特征提取网络之前添加Slice-Concat结构，用以降低YOLOv3网络模型的计算量并实现高效地水下目标实时检测。
发明内容
本发明的目的是提供一种水下目标智能检测系统、方法及存储介质，用以实现在确保水下目标检测精度的前提下提高目标的检测速度，做到对水下目标的高效实时检测。
为实现上述目的，本发明提供了如下方案：
一方面，本发明提供一种水下目标智能检测系统，包括：
图像预处理模块，用于对获取的水下目标图像进行数据清洗和数据整理操作，得到预处理图像；
图像数据划分模块，用于对所述预处理图像进行数据划分，得到训练集和测试集；
目标检测网络训练模块，用于利用所述训练集对YOLOv3-SC网络模型进行训练，得到训练好的YOLOv3-SC网络模型以及YOLOv3-SC网络模型输出的需要检测的水下目标信息；
目标监测网络测试模块，用于利用所述测试集对所述训练好的YOLOv3-SC网络模型进行测试，得到训练好的YOLOv3-SC网络模型的mAP值；
阈值比较模块，用于对所述mAP值和预设阈值a进行比较，若所述mAP值小于或等于所述预设阈值a，则返回图像数据划分模块，调整所述数据划分的比例，并对调整比例后得到的训练集和测试集进行后续模块的处理；若所述mAP值大于所述预设阈值a，则输出所述需要检测的水下目标信息。
可选的，上述水下目标智能检测系统还包括智能预警模块，所述智能预警模块包括：
水下目标信息处理子模块，用于设置预警时段时长b，对所述预警时段时长b内的得到的所述需要检测的水下目标信息进行处理，得到水下目标数量的变化信息；
水下目标变化阈值设置子模块，用于设置变化阈值c；
报警信号判断子模块，用于将所述水下目标数量变化信息的值与预设的变化阈值c进行比较；若所述水下目标数量变化信息的值小于或等于所述变化阈值c，不发出报警信号；若所述水下目标数量变化信息的值大于所述变化阈值c，则发出报警信号。
在一些具体实施方式中，所述图像预处理模块包括：
数据清洗子模块，用于对所述水下目标图像进行数据清洗处理；
数据整理子模块，用于对进行数据清洗处理后的水下目标图像进行数据整理处理；
数据标注子模块，用于利用标注软件对进行数据整理处理后的水下目标图像进行标注；
归一化处理子模块，用于对进行标注后的水下目标图像进行归一化处理。
可选的，所述图像数据划分模块包括：
划分比例设置子模块，用于设置数据划分比例；
数据划分处理子模块，用于对预处理图像按设置的数据划分比例进行数据划分，得到训练集和测试集。
可选的，所述目标检测网络训练模块包括：
目标检测网络子模块，用于利用YOLOv3-SC网络模型对水下目标进行识别与检测，得到需要检测的水下目标信息；
训练子模块，用于根据所述训练集对所述YOLOv3-SC网络模型进行训练。
可选的，所述目标检测网络子模块包括Slice-Concat网络结构单元和YOLOv3网络结构单元；
所述Slice-Concat网络结构单元用于在图像下采样过程中减少YOLOv3-SC网络模型的计算量；所述YOLOv3网络结构单元用于提取图像特征并对提取到的图像特征进行回归预测和定位，得到需要检测的水下目标信息。
可选的，所述Slice-Concat网络结构单元包括：
切片处理子单元，用于对一张图像进行切片操作，即在一张图片中每隔一个像素取一个值，得到没有信息丢失的四张子图像；
拼接处理子单元，用于对所述四张子图像进行拼接处理，使子图像宽高信息集中到通道空间当中，输入通道扩充4倍，得到新图像；
卷积处理子单元，对所述新图像进行卷积操作，得到没有信息丢失的2倍下采样特征图。
在一些具体实施方式中，通过模型复杂度计算公式计算YOLOv3-SC网络模型的计算量，所述模型复杂度计算公式如下：
FLOPs＝k2*Hout*Wout*Cin*Cout
其中，k表示YOLOv3-SC网络模型卷积核的大小；Hout，Wout分别表示YOLOv3-SC网络模型输出特征图的高和宽，Cin,Cout分别表示YOLOv3-SC网络模型输入特征图的通道数和输出特征图的通道数
一方法，本发明还提供一种水下目标智能检测方法，具体步骤包括：
对获取的水下目标图像进行数据清洗和数据整理操作，得到预处理图像；
对所述预处理图像进行数据划分，得到训练集和测试集；
利用所述训练集对YOLOv3-SC网络模型进行训练，得到训练好的YOLOv3-SC网络模型以及YOLOv3-SC网络模型输出的需要检测的水下目标信息；
利用所述测试集对所述训练好的YOLOv3-SC网络模型进行测试，得到训练好的YOLOv3-SC网络模型的mAP值；
对所述mAP值和预设阈值a进行比较，若所述mAP值小于或等于所述预设阈值a，则返回图像数据划分模块，调整所述数据划分的比例，并对调整比例后得到的训练集和测试集进行后续模块的处理；若所述mAP值大于所述预设阈值a，则输出所述需要检测的水下目标信息
另一方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现所述水下目标智能检测方法的步骤。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供了一种水下目标智能检测系统、方法及存储介质。其中，水下目标智能检测系统包括图像预处理模块，用于对获取的水下目标图像进行数据清洗和数据整理操作，得到预处理图像；图像数据划分模块，用于对所述预处理图像进行数据划分，得到训练集和测试集；目标检测网络训练模块，用于利用所述训练集对YOLOv3-SC网络模型进行训练，得到训练好的YOLOv3-SC网络模型以及YOLOv3-SC网络模型输出的需要检测的水下目标信息；目标监测网络测试模块，用于利用所述测试集对所述训练好的YOLOv3-SC网络模型进行测试，得到训练好的YOLOv3-SC网络模型的mAP值；阈值比较模块，用于对所述mAP值和预设阈值a进行比较，若所述mAP值小于或等于所述预设阈值a，则返回图像数据划分模块，调整所述数据划分的比例，并对调整比例后得到的训练集和测试集进行后续模块的处理；若所述mAP值大于所述预设阈值a，则输出所述需要检测的水下目标信息。本发明通过Slice-Concat网络对图像进行切片和拼接处理，可得到无数据损失的切片后的图像，该图像被切片后，其宽和高变小，由模型复杂度计算公式分析可知，其图像宽和高变小会直接提高模型的运算速度。同时用测试集对训练好的网络模型进行训练进行测试可确保模型的识别与检测精度。上述方法可确保本发明实现在确保水下目标检测精度的前提下提高目标的检测速度，做到对水下目标的高效实时检测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本发明的主旨。
图1为本发明实施例1的水下目标智能检测系统结构示意图；
图2为本发明实施例1的水下目标智能检测系统中Slice-Concat网络结构示意图；
图3为本发明实施例1的YOLOv3-SC网络模型组成部分原理示意图；
图4为本发明实施例1的YOLOv3-SC网络模型处理流程原理示意图；
图5为本发明实施例2的水下目标智能检测方法流程示意图；
图6为本发明实施例3的水下目标智能检测存储介质示意图；
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
如本发明和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
虽然本发明对根据本发明的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本发明中使用了流程图用来说明根据本发明的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
本发明的目的是提供一种水下目标智能检测系统、方法及存储介质，用以实现在确保水下目标检测精度的前提下提高目标的检测速度，做到对水下目标的高效实时检测。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1所示，本实施例提供一种水下目标智能检测系统，该智能检测系统具体包括：
图像预处理模块M1，用于对获取的水下目标图像进行数据清洗和数据整理操作，得到预处理图像；
图像数据划分模块M2，用于对所述预处理图像进行数据划分，得到训练集和测试集；
目标检测网络训练模块M3，用于利用所述训练集对YOLOv3-SC网络模型进行训练，得到训练好的YOLOv3-SC网络模型以及YOLOv3-SC网络模型输出的需要检测的水下目标信息；
目标监测网络测试模块M4，用于利用所述测试集对所述训练好的YOLOv3-SC网络模型进行测试，得到训练好的YOLOv3-SC网络模型的mAP值；
阈值比较模块M5，用于对所述mAP值和预设阈值a进行比较，若所述mAP值小于或等于所述预设阈值a，则返回图像数据划分模块，调整所述数据划分的比例，并对调整比例后得到的训练集和测试集进行后续模块的处理；若所述mAP值大于所述预设阈值a，则输出所述需要检测的水下目标信息。
目前广泛使用的基于卷积神经网络的目标检测方法大致可以分为两类，一类是基于Two-stage的目标检测方法，即用相应的RegionProposal算法,该算法可以是传统算法，也可以是神经网络算法。从输入图片中生成建议目标候选区域，然后再将所有的候选区域送入分类器进行分类。另一类就是基于One-stage的目标检测方法，直接在网络中提取特征来预测物体分类和位置。
本发明提出的YOLOv3-SC网络模型属于One-stage目标检测算法，由于将候选框的生成与目标的分类回归合并为一步，使得算法的检测速度相较于基于Two-stage的目标检测方法大大提升。随着YOLO系列网络模型的发展，网络模型的精度得到了有效的提升，相应的网络模型参数也变得复杂，对硬件设备的需求也变严格了。本发明提出的Slice-Concat网络结构在保证精度和mAP基本不变甚至略微提升的前提下，使得YOLOv3-SC网络模型计算量变为原始YOLOv3网络的1/4，进而将检测速度提升为原来的4倍，做到了高效实时检测的目的。
在具体实施时，水下目标智能检测系统还可以包括智能预警模块，所述智能预警模块包括：
水下目标信息处理子模块，用于设置预警时段时长b，对所述预警时段时长b内的得到的所述需要检测的水下目标信息进行处理，得到水下目标数量的变化信息；
水下目标变化阈值设置子模块，用于设置变化阈值c；
报警信号判断子模块，用于将所述水下目标数量变化信息的值与预设的变化阈值c进行比较；若所述水下目标数量变化信息的值小于或等于所述变化阈值c，不发出报警信号；若所述水下目标数量变化信息的值大于所述变化阈值c，则发出报警信号。
优选的，预警时段时长b可以设置为1个月，阈值c的数值可以设置为30％。即在一个月内，如海星、海胆、海参或扇贝等水下目标生物的数量变化信息超过30％，则发出报警信息。否则不进行报警。需要注意的是，1个月以及30％的数值设置只是本实施例提供的一种优选的实施方式，本领域技术人员可以根据实际需要对其进行合理的设置，不应将上述数值信息认定为是对本发明的具体限定。
优选的，上述图像预处理模块包括：
数据清洗子模块，用于对所述水下目标图像进行数据清洗处理；
数据整理子模块，用于对进行数据清洗处理后的水下目标图像进行数据整理处理；
数据标注子模块，用于利用标注软件对进行数据整理处理后的水下目标图像进行标注；
归一化处理子模块，用于对进行标注后的水下目标图像进行归一化处理。
其中，数据清洗处理的目的是去除掉一些人眼无法识别的水下目标图像，以进一步提高系统的检测识别精度。在具体实施时归一化处理后的水下目标图像的像素大小为640*640*3。
优选的，上述图像数据划分模块包括：
划分比例设置子模块，用于设置数据划分比例；
数据划分处理子模块，用于对预处理图像按设置的数据划分比例进行数据划分，得到训练集和测试集。
在具体实施时，对预处理图像进行数据划分，不仅可以得到训练集和测试集，还可以得到验证集。本实施例中对训练集验证集和测试集的数据划分比例设置为8：1：1。其中训练集(trainset)用于模型的拟合。验证集(development set)是模型训练过程中单独留出的样本集，它可以用于调整模型的超参数和用于对模型的能力进行初步评估。在模型迭代训练时，用以验证当前模型泛化能力(准确率，召回率等)，以决定是否停止模型的训练。测试集用来评估模最终模型的泛化能力。其作为调参、选择特征等算法相关的选择的依据。上述数据划分的比例可以修改，用以提高最终的模型的检测识别精度。
优选的，上述目标检测网络训练模块包括：
目标检测网络子模块，用于利用YOLOv3-SC网络模型对水下目标进行识别与检测，得到需要检测的水下目标信息；
训练子模块，用于根据所述训练集对所述YOLOv3-SC网络模型进行训练。
其中，目标检测网络子模块包括Slice-Concat网络结构单元和YOLOv3网络结构单元；所述Slice-Concat网络结构单元用于在图像下采样过程中减少YOLOv3-SC网络模型的计算量；所述YOLOv3网络结构单元用于提取图像特征并对提取到的图像特征进行回归预测和定位，得到需要检测的水下目标信息。
如图2所示，Slice-Concat网络结构单元包括：
切片处理子单元，用于对一张图像进行切片操作，即在一张图片中每隔一个像素取一个值，得到没有信息丢失的四张子图像；
拼接处理子单元，用于对所述四张子图像进行拼接处理，使子图像宽高信息集中到通道空间当中，输入通道扩充4倍，得到新图像；
卷积处理子单元，对所述新图像进行卷积操作，得到没有信息丢失的2倍下采样特征图。
浮点运算数，可以用来衡量算法和模型的复杂度，这关系到算法速度，大模型的单位通常为G，小模型单位通常为M；通常只考虑乘加操作的数量，而且只考虑卷积层和全连接层等参数层的计算量，忽略BN层和ReLU层等，一般情况下，卷积层和全连接层也会忽略仅纯加操作的计算量，如bias偏置加和shoutcut残差加等。本发明通过模型复杂度计算公式计算YOLOv3-SC网络模型的计算量，所述模型复杂度计算公式如下：
FLOPs＝k2*Hout*Wout*Cin*Cout
其中，k表示YOLOv3-SC网络模型卷积核的大小；Hout，Wout分别表示YOLOv3-SC网络模型输出特征图的高和宽，Cin,Cout分别表示YOLOv3-SC网络模型输入特征图的通道数和输出特征图的通道数。
而Slice-Concat网络结构的作用相当于普通下采样的作用，通过上述模型复杂度计算公式对Slice-Concat网络结构和普通下采样进行分析可知：
普通下采样：即将一张640*640*3的图片输入3*3的卷积核中，步长为2，输出通道32，下采样后得到320*320*32的特征图，那么普通卷积下采样理论的计算量为：
FLOPs(conv)＝3*3*320*320*3*32＝88473600
Slice-Concat：将640*640*3的图像输入Slice-Concat结构，采用切片操作，先变成320*320*12的特征图，再经过1*1的卷积操作，输出通道32，最终变成320*320*32的特征图，那么Slice-Concat理论的计算量为：
FLOPs(Focus)＝1*1*320*320*12*32＝39321600
从公式和的计算结果可以看出，Slice-Concat的计算量是普通卷积的4/9倍，并且不会造成信息的丢失。
如图3、4所示，YOLOv3网络结构单元包括CBL结构、ResX结构以及Block5结构组成，其中CBL结构为基本卷积结构，由普通卷积层、Batch Normalization层以及LeakyReLu激活函数组成。ResX是一个残差子单元，ResX残差子单元由CBL结构以及相应的残差结构组成。ResX中的X表示残差结构重复的次数，例如Res1就表示残差结构出现一次，Res8就表示残差结构重复了8次，具体结构见图3，其作用为提高模型的特征提取能力。Block5结构是由五个不同的CBL结构构成，五个CBL结构的卷积核大小分别是1*1，3*3，1*1，3*3，1*1。，YOLOv3-SC网络模型由将YOLOv3网络结构单元中第一个卷几层替换为Slice-Concat网络结构组成，YOLOv3网络结构单元的具体结构组成见图4，此处不再详细表述。
实施例2
如图5所示，本实施例提供一种应用于实施例1系统的水下目标智能检测方法，具体步骤包括：
S1：对获取的水下目标图像进行数据清洗和数据整理操作，得到预处理图像；
S2：对所述预处理图像进行数据划分，得到训练集和测试集；
S3：利用所述训练集对YOLOv3-SC网络模型进行训练，得到训练好的YOLOv3-SC网络模型以及YOLOv3-SC网络模型输出的需要检测的水下目标信息；
S4：利用所述测试集对所述训练好的YOLOv3-SC网络模型进行测试，得到训练好的YOLOv3-SC网络模型的mAP值；
S5：对所述mAP值和预设阈值a进行比较，若所述mAP值小于或等于所述预设阈值a，则返回图像数据划分模块，调整所述数据划分的比例，并对调整比例后得到的训练集和测试集进行后续模块的处理；若所述mAP值大于所述预设阈值a，则输出所述需要检测的水下目标信息。
实施例3
如图6所示，本实施例提供了一种计算机可读存储介质，其上存储有计算机程序P1。
所述计算机程序被处理器执行时实现如实施例2中的水下目标智能检测方法所述的步骤。
同理，所述存储介质可以为ROM、U盘，还可以是机械硬盘、固态硬盘，或者移动硬盘。其可读状态可以是被计算机、手机、平板电脑等其中的任一一种或多种移动终端进行读取并运行。当然，本实施例仅是给出了一种基础架构，在图6的存储介质的基础上，增加一个或至少两个组件，组件的具体类型包括但不限于上述所述的硬件。任意可实现实施例2中方法中的一个或多个步骤的硬件或软件，均在本发明的保护范围之内。
技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”，通过计算机可读的介质所参与或实现的。有形的、永久的储存介质可以包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如，各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何能够为软件提供存储功能的设备。
所有软件或其中的一部分有时可能会通过网络进行通信，如互联网或其他通信网络。此类通信可以将软件从一个计算机设备或处理器加载到另一个。例如：从视频目标检测设备的一个服务器或主机计算机加载至一个计算机环境的硬件平台，或其他实现系统的计算机环境，或与提供目标检测所需要的信息相关的类似功能的系统。因此，另一种能够传递软件元素的介质也可以被用作局部设备之间的物理连接，例如光波、电波、电磁波等，通过电缆、光缆或者空气等实现传播。用来载波的物理介质如电缆、无线连接或光缆等类似设备，也可以被认为是承载软件的介质。在这里的用法除非限制了有形的“储存”介质，其他表示计算机或机器“可读介质”的术语都表示在处理器执行任何指令的过程中参与的介质。
本发明使用了特定词语来描述本发明的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本发明至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本发明的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域技术人员可以理解，本发明的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本发明的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本发明的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。

Claims (10)

1.一种水下目标智能检测系统，其特征在于，包括：
图像预处理模块，用于对获取的水下目标图像进行数据清洗和数据整理操作，得到预处理图像；
图像数据划分模块，用于对所述预处理图像进行数据划分，得到训练集和测试集；
目标检测网络训练模块，用于利用所述训练集对YOLOv3-SC网络模型进行训练，得到训练好的YOLOv3-SC网络模型以及YOLOv3-SC网络模型输出的需要检测的水下目标信息；
目标监测网络测试模块，用于利用所述测试集对所述训练好的YOLOv3-SC网络模型进行测试，得到训练好的YOLOv3-SC网络模型的mAP值；
阈值比较模块，用于对所述mAP值和预设阈值a进行比较，若所述mAP值小于或等于所述预设阈值a，则返回图像数据划分模块，调整所述数据划分的比例，并对调整比例后得到的训练集和测试集进行后续模块的处理；若所述mAP值大于所述预设阈值a，则输出所述需要检测的水下目标信息。
2.根据权利要求1所述的水下目标智能检测系统，其特征在于，还包括智能预警模块，所述智能预警模块包括：
水下目标信息处理子模块，用于设置预警时段时长b，对所述预警时段时长b内的得到的所述需要检测的水下目标信息进行处理，得到水下目标数量的变化信息；
水下目标变化阈值设置子模块，用于设置变化阈值c；
报警信号判断子模块，用于将所述水下目标数量变化信息的值与预设的变化阈值c进行比较；若所述水下目标数量变化信息的值小于或等于所述变化阈值c，不发出报警信号；若所述水下目标数量变化信息的值大于所述变化阈值c，则发出报警信号。
3.根据权利要求1所述的水下目标智能检测系统，其特征在于，所述图像预处理模块包括：
数据清洗子模块，用于对所述水下目标图像进行数据清洗处理；
数据整理子模块，用于对进行数据清洗处理后的水下目标图像进行数据整理处理；
数据标注子模块，用于利用标注软件对进行数据整理处理后的水下目标图像进行标注；
归一化处理子模块，用于对进行标注后的水下目标图像进行归一化处理。
4.根据权利要求1所述的水下目标智能检测系统，其特征在于，所述图像数据划分模块包括：
划分比例设置子模块，用于设置数据划分比例；
数据划分处理子模块，用于对预处理图像按设置的数据划分比例进行数据划分，得到训练集和测试集。
5.根据权利要求1所述的水下目标智能检测系统，其特征在于，所述目标检测网络训练模块包括：
目标检测网络子模块，用于利用YOLOv3-SC网络模型对水下目标进行识别与检测，得到需要检测的水下目标信息；
训练子模块，用于根据所述训练集对所述YOLOv3-SC网络模型进行训练。
6.根据权利要求5所述的水下目标智能检测系统，其特征在于，所述目标检测网络子模块包括Slice-Concat网络结构单元和YOLOv3网络结构单元；
所述Slice-Concat网络结构单元用于在图像下采样过程中减少YOLOv3-SC网络模型的计算量；所述YOLOv3网络结构单元用于提取图像特征并对提取到的图像特征进行回归预测和定位，得到需要检测的水下目标信息。
7.根据权利要求6所述的水下目标智能检测系统，其特征在于，所述Slice-Concat网络结构单元包括：
切片处理子单元，用于对一张图像进行切片操作，即在一张图片中每隔一个像素取一个值，得到没有信息丢失的四张子图像；
拼接处理子单元，用于对所述四张子图像进行拼接处理，使子图像宽高信息集中到通道空间当中，输入通道扩充4倍，得到新图像；
卷积处理子单元，对所述新图像进行卷积操作，得到没有信息丢失的2倍下采样特征图。
8.根据权利要求1所述的水下目标智能检测系统，其特征在于，通过模型复杂度计算公式计算YOLOv3-SC网络模型的计算量，所述模型复杂度计算公式如下：
FLOPs＝k2*Hout*Wout*Cin*Cout
其中，k表示YOLOv3-SC网络模型卷积核的大小；Hout，Wout分别表示YOLOv3-SC网络模型输出特征图的高和宽，Cin,Cout分别表示YOLOv3-SC网络模型输入特征图的通道数和输出特征图的通道数。
9.一种水下目标智能检测方法，其特征在于，包括：
对获取的水下目标图像进行数据清洗和数据整理操作，得到预处理图像；
对所述预处理图像进行数据划分，得到训练集和测试集；
利用所述训练集对YOLOv3-SC网络模型进行训练，得到训练好的YOLOv3-SC网络模型以及YOLOv3-SC网络模型输出的需要检测的水下目标信息；
利用所述测试集对所述训练好的YOLOv3-SC网络模型进行测试，得到训练好的YOLOv3-SC网络模型的mAP值；
对所述mAP值和预设阈值a进行比较，若所述mAP值小于或等于所述预设阈值a，则返回图像数据划分模块，调整所述数据划分的比例，并对调整比例后得到的训练集和测试集进行后续模块的处理；若所述mAP值大于所述预设阈值a，则输出所述需要检测的水下目标信息。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求9所述方法的步骤。
CN202111090483.5A 2021-09-17 2021-09-17 一种水下目标智能检测系统、方法及存储介质 Pending CN113762287A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111090483.5A CN113762287A (zh) 2021-09-17 2021-09-17 一种水下目标智能检测系统、方法及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111090483.5A CN113762287A (zh) 2021-09-17 2021-09-17 一种水下目标智能检测系统、方法及存储介质

Publications (1)

Publication Number Publication Date
CN113762287A true CN113762287A (zh) 2021-12-07

Family

ID=78796178

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111090483.5A Pending CN113762287A (zh) 2021-09-17 2021-09-17 一种水下目标智能检测系统、方法及存储介质

Country Status (1)

Country Link
CN (1) CN113762287A (zh)

Similar Documents

Publication Publication Date Title
CN111126258B (zh) 图像识别方法及相关装置
CN110321910B (zh) 面向点云的特征提取方法、装置及设备
CN113469073B (zh) 一种基于轻量级深度学习的sar图像舰船检测方法及系统
CN112101169B (zh) 基于注意力机制的道路图像目标检测方法及相关设备
US11715190B2 (en) Inspection system, image discrimination system, discrimination system, discriminator generation system, and learning data generation device
CN110059728B (zh) 基于注意力模型的rgb-d图像视觉显著性检测方法
CN110765860A (zh) 摔倒判定方法、装置、计算机设备及存储介质
CN112784778B (zh) 生成模型并识别年龄和性别的方法、装置、设备和介质
CN111667001B (zh) 目标重识别方法、装置、计算机设备和存储介质
CN114170516B (zh) 一种基于路侧感知的车辆重识别方法、装置及电子设备
CN112200057A (zh) 人脸活体检测方法、装置、电子设备及存储介质
AU2021203821B2 (en) Methods, devices, apparatuses and storage media of detecting correlated objects involved in images
CN116229530A (zh) 图像处理方法、装置、存储介质及电子设备
CN113516146A (zh) 一种数据分类方法、计算机及可读存储介质
CN115564030A (zh) 目标检测模型的压缩方法、检测方法、装置及相关设备
CN116543261A (zh) 用于图像识别的模型训练方法、图像识别方法设备及介质
CN114677350A (zh) 连接点提取方法、装置、计算机设备及存储介质
CN112560791B (zh) 识别模型的训练方法、识别方法、装置及电子设备
CN116805387B (zh) 基于知识蒸馏的模型训练方法、质检方法和相关设备
US20230410465A1 (en) Real time salient object detection in images and videos
CN117237359A (zh) 传送带撕裂检测方法、装置、存储介质和电子设备
CN112825116B (zh) 监控视频图像人脸检测和追踪方法、装置、介质及设备
CN110633630B (zh) 一种行为识别方法、装置及终端设备
CN112183303A (zh) 变电设备图像分类方法、装置、计算机设备和介质
CN110210314B (zh) 人脸检测方法、装置、计算机设备及存储介质

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