【技術實現步驟摘要】
本專利技術涉及圖像檢測，特別涉及一種側掃聲吶沉船圖像目標檢測方法。
技術介紹
1、水下沉船識別技術作為海洋測繪領域的重要技術之一，對于水下文物考古、海上失事沉船的探測與搜救以及河道障礙物核查具有重要意義，并且直接影響著這些探測任務的進展和效果，而其中聲納技術是常用的手段。
2、聲吶目標檢測技術主要分為傳統方法和深度學習方法。傳統方法包括幀差法、消除法、恒虛警率檢測算法(constant?false-alarm?rate,cfar)、以及基于解決散斑噪聲和紋理特征的方法。近年來，深度學習方法在聲吶目標檢測領域取得了顯著進展。常見的深度學習模型分為一階段檢測算法和兩階段檢測算法。在兩階段檢測算法中，例如r-cnn、fastr-cnn和faster?r-cnn，雖然整體精度優于傳統方法，但其需要選取候選框和分類，導致訓練多個模型影響了檢測速度，難以滿足實時性要求。相比之下，一階段檢測算法如ssd、yolo系列和detr系列，由于其直接在原始圖像上回歸目標邊框和類別的特性，提升了檢測速度，同時保持了較高的精度。因此，當兩階段檢測算法在實時性上遇到瓶頸時，一階段檢測算法憑借其回歸特性在聲吶圖像檢測任務中表現突出。
3、然而上述的算法均存在著一些問題，側掃聲吶目標變化多種多樣，在目標檢測檢測中面臨一些挑戰和問題。這些問題包括側掃聲吶圖像的復雜性導致出現漏檢現象、檢測速度不高難以適應低算力平臺的需求。
技術實現思路
1、本申請提供一種側掃聲吶沉船圖像目標檢測方法，以解決現
2、所述方法包括：
3、獲取側掃聲吶沉船檢測的目標數據集，所述目標數據集中包括若干張沉船圖像；
4、構建ccs-yolo的改進網絡模型，所述改進網絡模型基于yolov8網絡模型構建，所述改進網絡模型中主干網絡的第1層、第2層、第5層以及第7層常規卷積模塊由改進卷積模塊替代，所述改進網絡模型中特征融合網絡中的第12層、第15層、第18層以及第21層的常規重參數模塊由改進重參數模塊替代，所述改進網絡模型中的檢測頭網絡中的檢測頭由scdh檢測頭替代；所述改進卷積模塊用于增強特征表示能力，所述改進重參數模塊用于在保證有效提取空間特征的前提下減小計算復雜度并保持特征流動，所述scdh檢測頭用于減少參數量以及計算量；
5、利用所述目標數據集訓練所述改進網絡模型，得到目標網絡模型；
6、獲取側掃聲吶沉船檢測的實時數據集，利用所述目標網絡模型對所述實時數據集進行目標檢測。
7、優選的，所述獲取側掃聲吶沉船檢測的目標數據集的步驟包括：
8、獲取側掃聲吶沉船檢測的初始數據集；
9、利用labelimg對所述初始數據集進行標注處理，得到第一數據集，所述標注處理包括標記所述初始數據集中每張圖片的類別、對象名稱以及邊界框坐標；
10、對所述第一數據集進行樣本擴充處理，得到第二數據集，所述樣本擴充處理包括隨機旋轉操作、增加噪聲操作、改變亮度操作、翻轉圖像操作、灰度化操作和隨機擦除操作；
11、對所述第二數據集按照預設比例進行劃分處理，得到所述目標數據集，所述目標數據集包括劃分處理后的訓練集和驗證集。
12、優選的，所述改進卷積模塊包括常規卷積層、動態卷積層、拼接層、歸一化層、激活函數層、全連接層以及全局平均池化層；
13、所述改進卷積模塊對特征圖的處理步驟包括：
14、對特征圖進行卷積核為1的常規卷積處理，得到第一特征圖；
15、將第一特征圖進行分化處理，分別對分化后的特征圖進行卷積核為3的常規卷積處理和卷積核為3的動態卷積處理，并將完成常規卷積處理和完成動態卷積處理后的特征圖進行拼接處理，得到第二特征圖；
16、對所述第二特征圖依次進行批量歸一化處理、參數化線性處理、全局平均池化層的處理以及兩層全連接層的處理，得到第三特征圖。
17、優選的，所述改進重參數模塊包括卷積層、切割層、若干層部分卷積層以及拼接層；
18、所述改進重參數模塊對特征圖的處理步驟包括：
19、對數據集進行卷積處理，得到第四特征圖；
20、對部分所述第四特征圖進行切割處理，對完成切割處理后的特征圖進行若干次部分卷積處理，并將未進行切割處理的所述第四特征圖和完成所述切割處理的所述第四特征圖進行拼接處理，得到第五特征圖；
21、對所述第五特征圖進行卷積處理，得到第六特征圖。
22、優選的，所述scdh檢測頭中的卷積規劃層由具有分組歸一化功能的改進常規卷積層替代；
23、所述scdh檢測頭對特征圖的檢測步驟包括：
24、分別對特征圖中的每個特征圖進行卷積核為1的改進常規卷積層的處理，得到第七特征圖；
25、對所述第七特征圖進行兩次卷積核為3的改進常規卷積層的處理，得到特征圖中對應沉船的若干個位置特征以及對應每個位置特征的種類特征；
26、對所有所述位置特征進行縮放處理，得到特征圖中對應沉船的目標位置特征。
27、優選的，所述利用所述目標數據集訓練所述改進網絡模型的步驟包括：
28、對所述目標數據集進行圖像預處理，得到預處理數據集；
29、設定所述改進網絡模型的優化函數；
30、利用所述預處理數據集對所述改進網絡模型進行權重訓練，并更新所述改進網絡模型中的參數。
31、優選的，所述利用所述目標數據集訓練所述改進網絡模型的步驟還包括：
32、將所述訓練集中的所有沉船圖像的尺寸修改為640×640；
33、設定sgd函數作為所述改進網絡模型的優化函數，并設定所述sgd函數的批訓練數量為300，批量大小為16，初始學習率為0.01；
34、利用mosaic在線數據增強方法對完成尺寸修改的沉船圖像進行隨機縮放處理、裁剪處理、切割處理以及隨機方式拼接處理，得到訓練生成圖集；
35、將所述sgd函數的初始訓練數量為0，利用所述訓練生成圖集對所述改進網絡模型進行權重訓練，并在所述sgd函數的初始訓練數量為300時停止權重訓練，并根據權重訓練更新所述改進網絡模型中的參數；在權重訓練過程中利用每次批訓練得到的權重更新所述改進網絡模型中的參數。
36、優選的，所述利用所述目標數據集訓練所述改進網絡模型的步驟之后還包括：
37、利用所述驗證集、所述改進網絡模型以及原始yolov8網絡模型進行預測比對，得到比對結果，并對所述比對結果進行精度評定；
38、若所述比對結果不符合精度評定，則繼續訓練所述改進網絡模型；
39、若所述比對結果符合精度評定，則將所述改進網絡模型保存為所述目標網絡模型。
40、優選的，所述利用所述目標數據集訓練所述改進網絡模型的步驟之后還包括：
41本文檔來自技高網...
【技術保護點】
1.一種側掃聲吶沉船圖像目標檢測方法，其特征在于，所述方法包括：
2.根據權利要求1所述的一種側掃聲吶沉船圖像目標檢測方法，其特征在于，所述獲取側掃聲吶沉船檢測的目標數據集的步驟包括：
3.根據權利要求1所述的一種側掃聲吶沉船圖像目標檢測方法，其特征在于，所述改進卷積模塊包括常規卷積層、動態卷積層、拼接層、歸一化層、激活函數層、全連接層以及全局平均池化層；
4.根據權利要求1所述的一種側掃聲吶沉船圖像目標檢測方法，其特征在于，所述改進重參數模塊包括卷積層、切割層、若干層部分卷積層以及拼接層；
5.根據權利要求1所述的一種側掃聲吶沉船圖像目標檢測方法，其特征在于，所述SCDH檢測頭中的卷積規劃層由具有分組歸一化功能的改進常規卷積層替代；
6.根據權利要求2所述的一種側掃聲吶沉船圖像目標檢測方法，其特征在于，所述利用所述目標數據集訓練所述改進網絡模型的步驟包括：
7.根據權利要求6所述的一種側掃聲吶沉船圖像目標檢測方法，其特征在于，所述利用所述目標數據集訓練所述改進網絡模型的步驟還包括：
8.根據權利
9.根據權利要求8所述的一種側掃聲吶沉船圖像目標檢測方法，其特征在于，所述利用所述目標數據集訓練所述改進網絡模型的步驟之后還包括：
10.根據權利要求9所述的一種側掃聲吶沉船圖像目標檢測方法，其特征在于，所述利用所述目標數據集訓練所述改進網絡模型的步驟之后還包括：
...【技術特征摘要】
1.一種側掃聲吶沉船圖像目標檢測方法，其特征在于，所述方法包括：
2.根據權利要求1所述的一種側掃聲吶沉船圖像目標檢測方法，其特征在于，所述獲取側掃聲吶沉船檢測的目標數據集的步驟包括：
3.根據權利要求1所述的一種側掃聲吶沉船圖像目標檢測方法，其特征在于，所述改進卷積模塊包括常規卷積層、動態卷積層、拼接層、歸一化層、激活函數層、全連接層以及全局平均池化層；
4.根據權利要求1所述的一種側掃聲吶沉船圖像目標檢測方法，其特征在于，所述改進重參數模塊包括卷積層、切割層、若干層部分卷積層以及拼接層；
5.根據權利要求1所述的一種側掃聲吶沉船圖像目標檢測方法，其特征在于，所述scdh檢測頭中的卷積規劃層由具有分組歸一化功能的改進常規卷積層替代；
【專利技術屬性】
技術研發人員：焦圣喜，許峰浩，郭海濤，楊漢瑞，徐士博，張洪錚，于懷汶，姚金濤，
申請(專利權)人：東北電力大學，
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。