[发明专利]基于VGG16-SegUnet和dropout的海流机叶片附着物识别方法

权利要求书

1.一种基于VGG16-SegUnet和dropout的海流机叶片附着物识别方法，其特征在于，包括以下步骤：

步骤一、首先，采集不同附着类型的海流机水下图像，然后使用开源工具labelme进行语义标注，从而完成原始图像-语义标签数据集的创建：背景，叶片，附着物分别被标注为0，1，2；

步骤二、采用[0°,360°]的旋转数据增强技术扩充原始图像-语义标签数据集，然后对原始图像进行标准化预处理：

其中，x表示海流机图像中R，G，B任意一个维度的数据；x_min，x_max分别表示x中的最小，最大像素值；x最终被标准化到[-1,1]；

再将增强后的数据按3:1:1的比例划分为训练集、验证集和测试集；

步骤三、搭建VGG16-SegUnet新型语义分割网络：将VGG16前13层的卷积和最大池化模型设定为特征提取编码层并使用ImageNet预训练权重初始化这些卷积结构；解码层的结构与SegNet中的解码层相同,采用反最大池化进行特征恢复；编码层与解码层之间除前向连接外，还融合了Unet中的特征级联以及SegNet中的最大池化索引保留技术，并在中间位置插入了一个30％dropout层；Dropout的引入在缓解训练过拟合现象的同时，也提供了不同的概率分类结果；

步骤四、将预处理好的训练集图像数据输入至VGG16-SegUnet中，输出逐像素softmax概率分类结果：

其中，x⁽ⁱ⁾表示一张训练图像x中的第i个像素点；θ为softmax分类器的权重参数矩阵，且p(y⁽ⁱ⁾＝l|x⁽ⁱ⁾；θ)表示x⁽ⁱ⁾的预测结果y⁽ⁱ⁾为语义标签l的概率；N表示待语义标注的类别个数；exp^(·)表示指数函数；h_θ(x⁽ⁱ⁾)为softmax预测结果向量；

然后，使用Adadelta优化器对整个网络进行全局训练，降低交叉熵损失直到训练次数达到设定的最大值，并记录最终的训练权重：

其中，Loss(θ)表示交叉熵损失函数；N_train表示训练数据的个数；N_n表示第n张图像的像素总个数；log(·)表示对数函数；1{·}是一个示性函数，当{·}内的表达式成立时，输出1，反之，输出0；

步骤五、将预处理好的测试集图像输入到载入了训练权重的VGG16-SegUnet中，输出语义分割图，完成对图像中背景、叶片、附着物位置和大小的识别，同时对识别结果的不确定度进行估计，具体实现过程如下：

i.将每张测试图像输入到融合有30％dropout的VGG16-SegUnet中，并重复进行50次测试，得到50个softmax概率分类结果，这里记为Test₅₀；

ii.求取Test₅₀的均值以及方差

iii.从中找出每个像素点的最大概率类别，然后通过可视化技术显示出语义分割图；最大概率类别对应的方差以图像的形式直观地显示出来，即为不确定度图像；

步骤六、最后，根据语义分割图计算出精确的附着物面积占比以及识别准确率指标MIoU：

其中，AAP为附着物面积占比；attachment，blade分别表示附着物和整个海流机叶片区域；Count(·)用于计算指定区域内的像素点个数；

其中，MIoU表示平均交并比；p_ij表示真实标签为i而被误识别为标签j的像素个数；p_ii表示真实标签为i且被识别为标签i的像素个数；p_ji表示真实标签为j而被误识别为标签i的像素个数。