CN116188963A - 基于深度学习的无人艇目标探测与自主识别系统和方法 - Google Patents
基于深度学习的无人艇目标探测与自主识别系统和方法 Download PDFInfo
- Publication number
- CN116188963A CN116188963A CN202211432945.1A CN202211432945A CN116188963A CN 116188963 A CN116188963 A CN 116188963A CN 202211432945 A CN202211432945 A CN 202211432945A CN 116188963 A CN116188963 A CN 116188963A
- Authority
- CN
- China
- Prior art keywords
- recognition
- sonar
- target detection
- target
- identification
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/05—Underwater scenes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING
- B63B27/00—Arrangement of ship-based loading or unloading equipment for cargo or passengers
- B63B27/16—Arrangement of ship-based loading or unloading equipment for cargo or passengers of lifts or hoists
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63G—OFFENSIVE OR DEFENSIVE ARRANGEMENTS ON VESSELS; MINE-LAYING; MINE-SWEEPING; SUBMARINES; AIRCRAFT CARRIERS
- B63G8/00—Underwater vessels, e.g. submarines; Equipment specially adapted therefor
- B63G8/38—Arrangement of visual or electronic watch equipment, e.g. of periscopes, of radar
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63G—OFFENSIVE OR DEFENSIVE ARRANGEMENTS ON VESSELS; MINE-LAYING; MINE-SWEEPING; SUBMARINES; AIRCRAFT CARRIERS
- B63G8/00—Underwater vessels, e.g. submarines; Equipment specially adapted therefor
- B63G8/39—Arrangements of sonic watch equipment, e.g. low-frequency, sonar
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/147—Details of sensors, e.g. sensor lenses
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
- B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING
- B63B27/00—Arrangement of ship-based loading or unloading equipment for cargo or passengers
- B63B27/16—Arrangement of ship-based loading or unloading equipment for cargo or passengers of lifts or hoists
- B63B2027/165—Deployment or recovery of underwater vehicles using lifts or hoists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/12—Acquisition of 3D measurements of objects
Abstract
本发明提出一种基于深度学习的无人艇水下目标探测与自主识别系统和方法,包括水下目标探测系统、船载分布式目标自主识别系统和自动布放回收系统;利用前视声纳和合成孔径声纳感知水下环境,生成高分辨率图像数据;利用光纤拖缆将探测数据上传至船载分布式目标自主识别模块;利用深度学习算法对探测的数据进行目标自主识别;利用显控软件对探测数据和目标识别结果进行显示;利用自动布放装置对拖体进行自动释放与回收。通过三个系统模块的协同配合,实现水面无人艇的高精度自主探测识别功能,为水面无人艇水下探测识别提供一种新的解决方案。
Description
技术领域
本发明属于水下目标探测与自主识别的技术领域,具体涉及一种基于深度学习的无人艇目标探测与自主识别系统和方法。
背景技术
水面无人艇(USV)具有较好的自主性、安全性和灵活性,实时通信能力强,控制精度高,在探测敌方潜艇、水下航行器、水雷、预置武器等军事领域得到广泛的应用。在实际应用中,如何在复杂的水下环境中提高目标探测与自主识别的性能是关键问题。相对于光波、无线电波,声波在水下衰减小,探测距离远,一直是水下目标探测的主要手段。然而由于声纳图像存在噪声干扰严重、分辨率低、目标轮廓模糊等特点,水下目标识别通常依赖人工经验进行识别,自主性差。传统的水下目标图像识别方法依赖人工提取特征,然后与目标模板图像进行比对或者采用分类器完成目标分类,这样的方式效率低,若图像质量差或特征提取不够精确,识别效果就很不理想。
本发明为克服以上缺点,提出一种基于深度学习的无人艇目标探测与自主识别系统和方法。采用前视声纳和高分辨率合成孔径声纳组合探测,采用深度学习算法对声纳图像进行自主识别。
发明内容
有鉴于此,本发明提供了一种基于深度学习的无人艇目标探测与自主识别系统,用于分布式目标自主识别,能够采用深度学习算法对声纳图像进行自主识别,该系统包括水下目标探测系统、船载分布式目标自主识别系统和自动布放回收系统;其中所述水下目标探测系统将各传感器设备采集的传感器数据传送至所述船载分布式目标自主识别系统;所述船载分布式目标自主识别系统包括前视声纳识别板、合成孔径识别板和显控计算机;所述前视声纳识别板、合成孔径识别板分别通过深度学习算法对不同的所述传感器设备采集的图像数据进行自主的目标检测,生成各自的识别结果;所述显控计算机用于将识别结果进行融合并消除虚假目标;所述自动布放回收系统用于实现对水下目标探测系统的自动布放和回收。
特别地,所述水下目标探测系统中的各传感器设备至少包括前视声纳图像和合成孔径声纳;所述前视声纳安装于拖体头部,提供拖体正前方探测视野;所述合成孔径声纳提供拖体两侧扫描视野;所述前视声纳识别板收集所述前视声纳图像,所述合成孔径识别板收集所述合成孔径声纳图像,使用图像标注软件进行标注,建立深度学习图像训练数据集;采用验证数据进行验证,检验并确保深度神经网络的最终输出结果;利用设计的深度神经网络训练出具有辨识目标方位、距离、形状特性的深度神经网络模型;将训练好的识别模型分别部署在所述前视声纳识别板与所述合成孔径识别板上;所述前视声纳图像识别板接收前视声纳上传的图像数据,进行目标检测与识别,将识别结果发送给显控计算机;所述合成孔径声纳图像识别板接收合成孔径声纳上传的图像数据,进行目标检测与识别,将结果发送给所述显控计算机;所述显控计算机对前视声纳识别结果和合成孔径声纳识别结果进行决策级融合,去除虚假目标,将最终的识别结果在显控软件上进行显示。
特别地,所述水下目标探测系统中还包括惯性导航设备、测高仪、深度计、拖体控制单元、交换机、同步板、光端机、程控电源;所述惯性导航设备提供拖体航向、姿态、位置;所述测高仪提供拖体距底距离数据;所述深度计提供拖体距水面距离;所述拖体控制单元负责给设备上电,及向所述目标自主识别系统传输设备工况;所述交换机用于连接各传感器设备组件局域网络;所述同步板用于控制所述前视声纳和合成孔径声纳的发声同步;所述光端机用于光电信号转换;所述程控电源负责为整个拖体搭载设备供电。
特别地,所述船载分布式目标自主识别系统进一步包括:所述显控计算机用于部署显控软件,用于显示水下目标探测系统上传的数据、工况,显示所述船载目标自主识别系统的目标识别结果,对水下目标探测系统下发控制指令;所述声纳图像识别板、所述合成孔径声纳图像识别板、所述显控计算机与所述水下目标探测系统通过交换机进行连接。
特别地,所述自动布放回收系统包括:拖缆、自动布放回收装置、绞车;所述拖缆连接拖体与水面无人艇(USV),用于拖曳拖体,其内置的光纤缆用于数据传输;所述绞车用于对拖缆进行存储和释放;所述自动布放回收装置用于对布放和回收过程进行控制实现对拖体的自动布放和回收;该自动布放回收装置可模块化搭载到水面无人艇(USV)进行作业,布置在后甲板或者舱内。
特别地,所述自动布放回收装置与所述绞车采用滑道式设计,搭载于水面无人艇后甲板;通过所述拖缆与所述水下目标探测系统进行连接;当所述自动布放回收装置下发布放指令后,所述绞车将拖缆释放,将所述拖体释放至水下预定位置;当所述自动布放回收装置下发回收指令后,所述绞车将拖缆回收,将所述拖体回收至无人艇后甲板。
本发明还提出了一种基于深度学习的无人艇目标探测与自主识别系统的目标识别方法,包括:
步骤S101,收集前视声纳的图像和合成孔径声纳的图像,使用图像标注软件进行标注,建立深度学习图像训练数据集;
步骤S102,通过实验建立目标探测结果数据库,探测结果数据库中,随机抽取深度神经网络的训练数据、测试数据和验证数据;所述测试数据和所述验证数据分别用于对深度神经网络的最终输出结果进行测试和验证;
步骤S103,利用设计的深度神经网络训练出具有辨识目标特性的深度神经网络模型,将信息采集、信号特征提取、目标位置变化短期预测、结果输出的步骤一体化处理;
步骤S104,将训练好的识别模型分别部署在前视声纳识别板与合成孔径识别板上;
步骤S105,所述前视声纳图像识别板和所述合成孔径声纳图像识别板接收前视声纳和合成孔径声纳上传的图像数据,进行目标检测与识别,将识别结果发送显控计算机;
步骤S106,所述显控计算机对所述识别结果进行决策级融合,去除虚假目标后进行显示。
有益效果:
1)、本发明中的船载分布式目标自主识别系统接收的信息由AI边缘计算平台进行处理,具有体积小、算力大的优点;
2)、本发明的船载分布式目标自主识别系统采用先进的深度神经网络算法,具有较好的环境、目标自适应性,同时提高探测系统的工作效率和准确度;
3)、本发明的水下探测系统使用多声纳组合探测模式,通过多传感器数据融合提高了识别结果的可靠性;
4)、本发明的自动布放和回收系统对绞车和线缆进行了高度集成,可实现拖曳系统的自动布放与回收;
5)、本发明的船载分布式自主识别系统可实时接受所述水下目标探测系统上传的探测数据,通过深度学习算法自主识别目标类型,并计算目标所处位置,形状大小,整个过程无须人为干涉,解决了现有技术中效率低,自主性差的问题。
附图说明
图1是本发明中基于深度学习的分布式无人艇目标探测与自主识别系统总体布置示意图;
图2是本发明中基于深度学习的分布式无人艇目标探测与自主识别系统流程图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
本发明中本实施例提供了一种基于深度学习的分布式无人艇目标探测与自主识别系统,图1是本实施例的总体布置示意图,其中将多个探测装置结合并互补,以解决现有技术中的不足,使得水面无人艇能够在复杂环境下高效地探测到水下目标,包括:水下目标探测系统、船载分布式目标自主识别系统和自动布放回收系统。所述水下目标探测系统将传感器数据通过光纤拖缆11传送至所述船载分布式目标自主识别系统,所述船载分布式目标自主识别系统采用分布式架构,通过深度学习算法进行目标自主识别,所述自动布放回收系统实现对拖体的自动布放和回收。该系统设备集成度高、几何结构简单,易于实现自动布放回收,可搭载到水面无人艇USV18进行作业。
所述船载分布式目标自主识别系统包括:前视声纳图像识别板14、合成孔径声纳图像识别板17、显控计算机16、第一交换机15。所述前视声纳图像识别板14和合成孔径声纳5图像识别板用于部署深度学习图像识别算法,其内置人工智能芯片,对深度学习算法具有加速计算能力。识别过程中首先所述前视声纳6图像识别板调用所部署的深度学习算法对所述前视声纳6上传的图像数据进行目标检测与识别,所述合成孔径声纳图像识别板17对所述合成孔径声纳5上传的图像数据进行目标检测与识别;两款识别板的识别结果通过第一交换机15发送给显控计算机16进行决策级融合,消除虚假目标。显控计算机16用于部署显控软件,用于显示水下目标探测系统上传的数据、工况,显示所述船载目标自主识别系统的目标识别结果,对水下目标探测系统下发控制指令。前视声纳图像识别板14、合成孔径声纳图像识别板17、显控计算机16与水下目标探测系统通过第一交换机15进行连接。
所述船载分布式目标自主识别系统实施方案流程图如图2所示,包括如下步骤:
步骤S101,收集前视声纳的图像和合成孔径声纳的图像,使用图像标注软件进行标注,建立深度学习图像训练数据集;
步骤S102,通过实验建立目标探测结果数据库,探测结果数据库中,随机抽取80%作为深度神经网络的训练数据,15%作为训练时的测试数据,15%作为训练结束后的验证数据,使用尽可能多的数据进行测试,将防止欠拟合现象产生,同时用部分数据进行测试,防止过拟合现象的产生,最后用验证数据进行验证,检验并确保深度神经网络的最终输出结果;
例如可采用基于特征增强的深度卷积神经网络。此网络模型包括扩展层、卷积层、投影层、池化层、全连接层。其中,扩展层负责将特征从低维度映射到高纬度。投影层负责将特征数据从高维度映射到低维度。
依据测试集数据验证基于特征增强的深度卷积神经网络模型是否达到预期,如果达到预期,则继续执行;如果未达到预期,需要重新训练模型;直至模型训练完毕。
步骤S103,利用设计的深度神经网络训练出具有辨识目标特性(方位、距离、形状)的深度神经网络模型,将信息采集、信号特征提取、目标位置变化短期预测、结果输出等步骤一体化,在保证精度的情况下简化水下目标识别的信息处理流程。
步骤S104,将训练好的识别模型分别部署在前视声纳6识别板与合成孔径识别板上;
步骤S105,前视声纳图像识别板14接收前视声纳6上传的图像数据,进行目标检测与识别,将识别结果发送给显控计算机16;
合成孔径声纳图像识别板17接收合成孔径声纳5上传的图像数据,进行目标检测与识别,将结果发送给显控计算机16;
步骤S106,显控计算机16对前视声纳图像的识别结果和合成孔径声纳图像的识别结果进行决策级融合,去除虚假目标,将最终的识别结果在显控软件上进行显示。
通过上述步骤,所述船载分布式自主识别系统可实时接受所述水下目标探测系统上传的探测数据,通过深度学习算法自主识别目标类型,并计算目标所处位置,形状大小,整个过程无须人为干涉,解决了现有技术中效率低,自主性差的问题。
所述水下目标探测系统包括:前视声呐、合成孔径声呐、惯性导航设备3、测高仪2、深度计1、拖体控制单元8、第二交换机10、同步板9、光端机7、程控电源4。所述前视声纳6安装于拖体头部,提供拖体正前方探测视野;所述合成孔径声纳5提供拖体两侧扫描视野;所述惯性导航设备3提供拖体航向、姿态、位置等信息;所述测高仪2提供拖体距底距离数据;所述深度计1提供拖体距水面距离;所述拖体控制单元8负责给设备上电,及向所述目标自主识别系统传输设备工况;所述第二交换机10用于连接各传感器设备组件局域网络;所述同步板9用于控制所述前视声纳6和合成孔径声纳5的发声同步;所述光端机7用于光电信号转换;所述程控电源4负责为整个拖体搭载设备供电。
所述水下目标探测系统实施方案包括如下步骤:
步骤S201,所述深度计1、测高仪2、惯性导航设备3、合成孔径声纳5、前视声纳6、光端机7、拖体控制单元8、同步板9通过所述交换机10组建局域网络,所述程控电源4为所有设备上电;
步骤S202,各传感器设备上电后,探测数据通过所述拖缆11上传至所述船载分布式目标自主识别系统进行处理;
所述的自动布放回收系统包括:拖缆11、自动布放回收装置12、绞车13。所述拖缆11连接水下目标探测系统与USV18,用于拖曳水下目标探测系统,其内置的光纤缆用于数据传输。绞车13用于对拖缆11进行存储和释放。自动布放回收装置12用于对布放和回收过程进行控制。
所述自动布放回收系统实施方案包括如下步骤:
步骤S301,所述自动布放回收装置12与所述绞车13采用滑道式设计,搭载于USV18后甲板,通过所述拖缆11与所述水下目标探测系统进行连接。
步骤S302,所述自动布放回收装置12下发布放指令后,绞车13将拖缆11释放,将拖体释放至水下预定位置;
步骤S303,所述自动布放回收装置12下发回收指令后,绞车13将拖缆11回收,将拖体回收至无人艇后甲板。
通过以上实施方案的基于深度学习的分布式无人艇目标探测与自主识别系统,集成度高、尺寸小、重量轻、拖曳状态稳定,可在无人艇中模块化搭载。船载分布式目标自主识别系统采用分布式架构,使用多台声纳组合探测识别,与现有技术相比,提升了识别结果的可靠性。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
对于本领域技术人员而言,显然本发明实施例不限于上述示范性实施例的细节,而且在不背离本发明实施例的精神或基本特征的情况下,能够以其他的具体形式实现本发明实施例。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明实施例的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明实施例内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统、装置或终端权利要求中陈述的多个单元、模块或装置也可以由同一个单元、模块或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施方式仅用以说明本发明实施例的技术方案而非限制,尽管参照以上较佳实施方式对本发明实施例进行了详细说明,本领域的普通技术人员应当理解,可以对本发明实施例的技术方案进行修改或等同替换都不应脱离本发明实施例的技术方案的精神和范围。
Claims (7)
1.一种基于深度学习的无人艇目标探测与自主识别系统,其特征在于,该系统包括水下目标探测系统、船载分布式目标自主识别系统和自动布放回收系统;其中所述水下目标探测系统将各传感器设备采集的传感器数据传送至所述船载分布式目标自主识别系统;所述船载分布式目标自主识别系统包括前视声纳识别板、合成孔径识别板和显控计算机;所述前视声纳识别板、合成孔径识别板分别通过深度学习算法对不同的所述传感器设备采集的图像数据进行自主的目标检测,生成各自的识别结果;所述显控计算机用于将识别结果进行融合并消除虚假目标;所述自动布放回收系统用于实现对水下目标探测系统的自动布放和回收。
2.如权利要求1所述的基于深度学习的无人艇目标探测与自主识别系统,其特征在于,所述水下目标探测系统中的各传感器设备至少包括前视声纳和合成孔径声纳;所述前视声纳安装于拖体头部,提供拖体正前方探测视野;所述合成孔径声纳提供拖体两侧扫描视野;所述前视声纳识别板收集所述前视声纳图像,所述合成孔径识别板收集所述合成孔径声纳图像;使用图像标注软件进行标注,建立深度学习图像训练数据集;采用验证数据进行验证,检验并确保深度神经网络的最终输出结果;利用设计的深度神经网络训练出具有辨识目标方位、距离、形状特性的深度神经网络模型;将训练好的识别模型分别部署在所述前视声纳识别板与所述合成孔径识别板上;所述前视声纳图像识别板接收前视声纳上传的图像数据,进行目标检测与识别,将识别结果发送给显控计算机;所述合成孔径声纳图像识别板接收合成孔径声纳上传的图像数据,进行目标检测与识别,将结果发送给所述显控计算机;所述显控计算机对前视声纳识别结果和合成孔径声纳识别结果进行决策级融合,去除虚假目标,将最终的识别结果在显控软件上进行显示。
3.如权利要求1所述的基于深度学习的无人艇目标探测与自主识别系统,其特征在于,所述水下目标探测系统中还包括惯性导航设备、测高仪、深度计、拖体控制单元、交换机、同步板、光端机、程控电源;所述惯性导航设备提供拖体航向、姿态、位置;所述测高仪提供拖体距底距离数据;所述深度计提供拖体距水面距离;所述拖体控制单元负责给设备上电,及向所述目标自主识别系统传输设备工况;所述交换机用于连接各传感器设备组件局域网络;所述同步板用于控制所述前视声纳和合成孔径声纳的发声同步;所述光端机用于光电信号转换;所述程控电源负责为整个拖体搭载设备供电。
4.如权利要求2所述的基于深度学习的无人艇目标探测与自主识别系统,其特征在于,所述船载分布式目标自主识别系统进一步包括:所述显控计算机用于部署显控软件,用于显示水下目标探测系统上传的数据、工况,显示所述船载目标自主识别系统的目标识别结果,对水下目标探测系统下发控制指令;所述声纳图像识别板、所述合成孔径声纳图像识别板、所述显控计算机与所述水下目标探测系统通过交换机进行连接。
5.如权利要求1-4任意一项所述的基于深度学习的无人艇目标探测与自主识别系统,其特征在于,所述自动布放回收系统包括:拖缆、自动布放回收装置、绞车;所述拖缆连接拖体与水面无人艇(USV),用于拖曳拖体,其内置的光纤缆用于数据传输;所述绞车用于对拖缆进行存储和释放;所述自动布放回收装置用于对布放和回收过程进行控制实现对拖体的自动布放和回收;该自动布放回收装置可模块化搭载到水面无人艇(USV)进行作业,布置在后甲板或者舱内。
6.如权利要求5所述的基于深度学习的无人艇目标探测与自主识别系统,其特征在于,所述自动布放回收装置与所述绞车采用滑道式设计,搭载于水面无人艇后甲板;通过所述拖缆与所述水下目标探测系统进行连接;当所述自动布放回收装置下发布放指令后,所述绞车将拖缆释放,将所述拖体释放至水下预定位置;当所述自动布放回收装置下发回收指令后,所述绞车将拖缆回收,将所述拖体回收至无人艇后甲板。
7.一种如权利要求1-6任意一项所述的基于深度学习的无人艇目标探测与自主识别系统的目标识别方法,其特征在于,包括:
步骤S101,收集前视声纳的图像和合成孔径声纳的图像,使用图像标注软件进行标注,建立深度学习图像训练数据集;
步骤S102,通过实验建立目标探测结果数据库,探测结果数据库中,随机抽取深度神经网络的训练数据、测试数据和验证数据;所述测试数据和所述验证数据分别用于对深度神经网络的最终输出结果进行测试和验证;
步骤S103,利用设计的深度神经网络训练出具有辨识目标特性的深度神经网络模型,将信息采集、信号特征提取、目标位置变化短期预测、结果输出的步骤一体化处理;
步骤S104,将训练好的识别模型分别部署在前视声纳识别板与合成孔径识别板上;
步骤S105,所述前视声纳图像识别板和所述合成孔径声纳图像识别板接收前视声纳和合成孔径声纳上传的图像数据,进行目标检测与识别,将识别结果发送显控计算机;
步骤S106,所述显控计算机对所述识别结果进行决策级融合,去除虚假目标后进行显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211432945.1A CN116188963A (zh) | 2022-11-16 | 2022-11-16 | 基于深度学习的无人艇目标探测与自主识别系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211432945.1A CN116188963A (zh) | 2022-11-16 | 2022-11-16 | 基于深度学习的无人艇目标探测与自主识别系统和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116188963A true CN116188963A (zh) | 2023-05-30 |
Family
ID=86435225
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211432945.1A Pending CN116188963A (zh) | 2022-11-16 | 2022-11-16 | 基于深度学习的无人艇目标探测与自主识别系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116188963A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117434524A (zh) * | 2023-10-12 | 2024-01-23 | 中国科学院声学研究所 | 合成孔径声纳图像感兴趣小目标回波数据属性辨识方法 |
-
2022
- 2022-11-16 CN CN202211432945.1A patent/CN116188963A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117434524A (zh) * | 2023-10-12 | 2024-01-23 | 中国科学院声学研究所 | 合成孔径声纳图像感兴趣小目标回波数据属性辨识方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110308457B (zh) | 一种基于无人机的输电线路巡检系统 | |
CN104369842B (zh) | 基于自主水下航行器的水面辅助机器人及使用方法 | |
Cruz et al. | The MARES AUV, a modular autonomous robot for environment sampling | |
CN108303078B (zh) | 一种基于立体视觉的全方向船舶防撞预警与导航系统 | |
KR20170043035A (ko) | 수중, 수면 및 수상 복합 검사 시스템 | |
CN108583920A (zh) | 一种无人机用海上着陆平台及无人机着陆的控制方法 | |
CN102963322B (zh) | 汽车行驶环境探测装置及其工作过程 | |
US20090276105A1 (en) | Robotic vehicle remote control system having a virtual operator environment | |
CN109737981B (zh) | 基于多传感器的无人车目标搜索装置及方法 | |
CN110580044A (zh) | 基于智能感知的无人船全自动航行异构系统 | |
JP2018503913A (ja) | 船舶補助ドッキング方法およびシステム | |
CN212135234U (zh) | 一种用于输电线路巡检无人机的飞行辅助装置 | |
CN103488175A (zh) | 一种自治遥控水下机器人水下管道检测跟踪系统及检测方法 | |
CN111498070B (zh) | 水下矢量光视觉导引方法及装置 | |
CN111290410A (zh) | 一种基于毫米波雷达的船舶自动离靠泊系统及方法 | |
CN107014971B (zh) | 具有高效充电及远程数据传输功能的水下潜器用浮标基站 | |
KR20210007767A (ko) | 딥러닝-영상인식 기반 해상폐기물 제거용 자율운항 선박 시스템 | |
CN116188963A (zh) | 基于深度学习的无人艇目标探测与自主识别系统和方法 | |
Cruz et al. | A lightweight docking station for a hovering AUV | |
CN115127510A (zh) | 一种水陆空三栖立体无人化多平台联动滑坡智能巡防系统 | |
CN109816780A (zh) | 一种双目序列影像的输电线路三维点云生成方法及装置 | |
CN210377164U (zh) | 一种空地协同作业系统 | |
CN115019412A (zh) | 一种基于多传感器的水下auv海缆巡检系统及方法 | |
CN208802612U (zh) | 装船机作业系统和装船机 | |
CN112461213B (zh) | 一种多模态波浪监测装置及监测方法 |
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 |