[发明专利]一种基于USV的障碍物分割网络及其生成方法

说明书

本发明公开了一种基于USV的障碍物分割网络及其生成方法，在编码部分，用一个膨胀卷积层替换VGG16的全连接层以及block5中的最大池化层形成修改后的VGG16，使修改后的VGG16作为编码器，使用膨胀卷积层的目的是能够在不损失分辨率的情况下扩大感受野以及获取更多的上下文信息。将两个注意力细化模块加入到网络的解码部分中用于细化输出特征,然后加入特征融合模块去实现高级和低级特征的融合。该新型语义分割网络是基于UNet的编‑解码结构，在此基础上进行改进与提升，本发明可以更好的检测障碍物，尤其是小障碍物的检测，降低了误检率和漏检率。

技术领域

本发明涉及目标检测跟踪技术领域，具体为一种基于USV的障碍物分割网络及其生成方法。

背景技术

随着无人智能技术的发展，无人驾驶汽车和无人机已经为大众所熟悉，成为科技界和商业界的新宠。而实际上，在无人技术领域，有关无人船的研究探索也在进行之中。

水面无人艇(Unmanned Surface Vehicle，USV)，是一种无人操作的水面舰艇。主要是用于执行危险以及不适合有人船只执行的任务。与普通船只相比，水面无人艇具有风险低，能源消耗低，维护成本低等特点。此外，它的应用领域非常广泛，比如可以应用于军事上的情报搜索，反潜攻击，反特种作战，海域巡逻等；在民用方面应用也非常广泛，例如水面环境检测监控，搜寻救援，海事监管等。此外，水面无人艇的障碍物检测技术，不仅是水面无人艇导航，搜救理论基础不可缺少的一部分，而且大大提高了水面无人艇在执行任务过程中的效率。对于过往的大型船只，小型船只，浮标，游泳者，码头等等情形进行侦察，有利于其自主规避障碍物的实现，从而减少沉船或与船只相撞等事故的出现，提高自身的生存与作业能力。

对于海洋环境的复杂性，水面无人艇的障碍物检测会受到光照强度、雾霾、阴雨天气等因素的影响，因此现有的障碍物检测算法难以达到令人满意的检测效果，存在大量的误检和漏检的情况，不利于精确的检测障碍物。

语义分割将图像分类、目标检测和图像分割结合起来，通过一定的方法将图像分割成具有一定语义意义的区域块，并识别每个区域块的语义类别，从而实现从底层到顶层的语义推理过程，最终得到逐像素语义标注的分割图像。而随着深度学习的发展，基于深度学习的语义分割算法在无人地面车辆(UGV)以及自动水面车辆(ASV)等领域中的目标检测方面取得了不错的进展。本课题研究通过基于深度学习的语义分割算法来进一步实现对水面无人艇的障碍物检测，可以实现在复杂的海洋环境下对障碍物的精确分割与检测，降低了误检与漏检现象。

发明内容

本发明的目的在于提供一种基于USV的障碍物分割网络及其生成方法来实现USV的障碍物检测，该新型语义分割网络是基于UNet的编-解码结构，在此基础上进行改进与提升，本发明可以更好的检测障碍物，尤其是小障碍物的检测，降低了误检率和漏检率。

为了达到上述目的，本发明通过以下技术方案实现：

一种基于USV的障碍物分割网络的生成方法，其特征在于，在编码部分，用一个膨胀卷积层替换VGG16的全连接层以及block5中的最大池化层形成修改后的VGG16，使修改后的VGG16作为编码器，使用膨胀卷积层的目的是能够在不损失分辨率的情况下扩大感受野以及获取更多的上下文信息。将两个注意力细化模块加入到网络的解码部分中用于细化输出特征,然后加入特征融合模块去实现高级和低级特征的融合。

可选地，所述膨胀卷积比率为2。

可选地，将两个注意力细化模块添加至网络中，其中，一个注意力细化模块用于优化编码器的第一个模块(block1)中的输出特征，另一个注意力细化模块用于优化解码器中经过一系列上采样后的特征，然后将这两个注意力细化模块进行级联以细化输出的特征。

可选地，在解码部分添加特征融合模块，该特征融合模块用于将网络中的低级特征和高级特征进行特征融合。

可选地，选用LeakyRelu激活函数去替代原始的特征融合模块中的Relu激活函数。