[发明专利]基于Yolo-v3算法的水下声呐侧扫图像小目标检测方法

说明书

本发明涉及基于YoLo‑v3算法的水下声呐侧扫图像小目标检测方法。通过对已有的水下声呐侧扫图像中的小目标进行标注，利用YoLo‑v3算法在目标检测任务中的优势，并根据水下声呐侧扫图像中目标检测任务的要求对网络结构进行适当的修改，以实现水下声呐侧扫图像的目标检测任务。实验结果验证了该方法在水下声呐侧扫图像目标检测任务中的有效性。

技术领域

本发明涉及一种目标检测方法，具体说是一种基于YoLo-v3算法的水下声呐侧扫图像小目标检测方法。

背景技术

近年来，水下机器人，如自主水下航行器(AUV)和远程操作航行器(ROV)等，通常用于水下物体探测。对于近距离目标识别，通常采用视觉传感器获取高质量的图像。在水下观测中，由于高浊度水中悬浮粒子的散射，所捕获的水下图像能见度较差。因此，针对广泛的水下目标探测任务，设计一种协同的水下目标探测系统迫在眉睫。协同水下目标检测系统采用信息丰富的声纳图像和光学图像对水下目标进行检测，近年来在海洋监测中得到了广泛的应用。然而，人工分析每天产生的海量水下声纳图像数据是一项繁琐且耗时的工作。因此，一个目标自动检测与识别系统对于减少耗时和昂贵的人工输入具有重要的实用价值。

发明内容

针对上述技术的不足本发明的目的是提供一种基于YoLo-v3算法的水下声呐侧扫图像小目标检测方法。

本发明采用技术方案是：

基于YoLo-v3算法的水下声呐侧扫图像小目标检测方法，包括：

S1、预先采集带有目标的水下声呐侧扫图像，对声呐图像中待检测的目标进行标注，并建立带有目标标注的声呐侧扫图像集合；

S2、基于YoLo-v3方法结合水下声呐侧扫图像进行训练，建立目标检测网络，用于实现光学和声学水声目标检测的互补、准确检测水声目标；

S3、实时采集带有目标的水下声呐侧扫图像，输入该YoLo-v3网络结构进行识别检测，获取水下目标中心的预测框以及坐标。

所述标注为对水下声呐侧扫图像中的目标用矩形框进行模糊标注。

所述基于YoLo-v3方法结合水下声呐侧扫图像进行训练，包括：是采用模糊标注的水下声呐侧扫图像数据集训练YoLo-v3网络中Darknet-53网络的参数，并根据损失函数反向传播调整Darknet-53网络的参数。

所述综合损失函数E＝E₁+E₂，其中，E₁表示真实检测框与预测的目标框的交叉熵损失函数，E₂表示坐标损失函数；当综合损失函数E满足阈值要求时停止网络参数的更新迭代。

所述采用模糊标注的水下声呐侧扫图像数据集训练YoLo-v3算法中Darknet-53网络的参数，包括：将水下声呐侧扫图像用S*S的网格切分，在每个网格中预测B个边界框，通过计算每个边界框的所得分数来检测物体的位置中心，边界框的分数计算通过如下公式：

其中，是第i个网格里的第j个边界框所得的分数，P_i,j(object)表示探测目标位于第i个网格里的第j个边界框的概率，表示预测框与物体真实预测框之间的交并比，所述交并比为交集与并集的比。

所述将水下声呐侧扫图像用S*S的网格切分后，得到S*S个的网格图像和任意一个网格图像的真实预测框。

计算真实检测框与预测的目标框的交叉熵，以此作为损失函数反向传播更新网络参数，损失函数的计算可以通过如下公式：

其中，E₁表示用于参数更新的第一个损失函数，W_i,j表示权重，表示第i个网格里的第j个真实预测框的得分。