一种基于前视声纳图像的避碰方法与流程

本发明涉及水下智能信息感知，具体涉及一种基于前视声纳图像的避碰方法。

背景技术：

1、当前声纳避碰方法都是基于传统分割技术进行分割，包括阈值分割、k-means分割、基于直方图分割、边缘检测等，这些方法使用了比较严格的人工干预算法和专业知识，但是前视声纳图像噪音大、特征信息少，使用传统分割方法其效果不太理想。

技术实现思路

1、有鉴于此，本发明提供了一种基于前视声纳图像的避碰方法，该避碰方法具有减少图像噪音干扰、能够实现有效避碰的特点，解决了传统声纳避碰方法避碰效果不理想的问题。

2、本发明采用以下具体技术方案：

3、一种基于前视声纳图像的避碰方法，该避碰方法包括以下步骤：

4、步骤一，采集前视声纳数据，并解析成声纳图像；

5、步骤二，对声纳图像进行数据处理并进行标注，将标注后的图像划分为训练集和测试集；

6、步骤三，构建前视声纳图像目标分割网络；

7、步骤四，使用前视声纳图像训练集对前视声纳图像目标分割网络进行训练，基于测试集进行测试，得到训练后的前视声纳图像目标分割网络；

8、步骤五，使用训练后的前视声纳图像目标分割网络对声纳图像进行分割得到分割后的图像，使用椭圆拟合方法对分割后的图像提取障碍物轮廓和位置信息。

9、更进一步地，在步骤一中，采集的声纳数据为原始二维波束数据，其中：

10、第一维为每个波束通道采样点数，第二维为波束通道数；通过坐标变换和双线性插值，将直角系下的原始二维波束数据映射成扇形声纳图像。

11、更进一步地，在步骤二中，数据处理采用中值滤波；对处理后的前视声纳图片采用labelme工具进行标注，生成json格式的标注文件，并按3:1分为训练集和测试集。

12、更进一步地，步骤三包括以下具体步骤：

13、构建特征提取网络，特征提取网络由四个下采样层组成，每个下采样层由两个3×3的卷积层和2×2的最大池化层组成，每经过一次下采样，通道数翻倍；

14、构建图像还原网络，图像还原网络由4个上采样层组成，每个上采样层由2个3×3的卷积层、一个2×2的上采样卷积层和短连接层组成；其中，短连接层对编码器中下采样层的卷积层输出的特征图经过缩放后与上采样层的上采样卷积层输出的特征图按通道方向进行拼接；

15、构建预测层，通过两次(3，3)的卷积核和一次2×2上采样，将预测输出特征图通道数变为期望的类别数；

16、构建训练损失函数，采用加权的softmax函数作为损失函数，每个像素对应一个权重，使得网络注重图像边缘像素的学习，训练损失函数形式表示如e：

17、

18、

19、其中，ak(x)是第k个特征通道在每个像素位置x∈ω对应的softmax函数值，k是类别，pk(x)为最大似然函数；l：ω→{1，...,k}为每个像素对应的真实标签，w：ω→r为权重图。

20、更进一步地，在步骤四中，将前视声纳训练集和图片放在指定位置作为前视声纳图像目标分割网络的输入开始训练，待训练损失函数收敛后停止训练，在测试集上测试训练好的前视声纳图像目标分割网络的分割效果。

21、更进一步地，在步骤五中，使用训练后的前视声纳图像目标分割网络对新的声纳图像进行分割得到分割图，采用基于最小外包矩形的快速椭圆拟合法对分割图提取障碍物的轮廓和位置信息，先用最小二乘法获取目标障碍物最小外接矩形框，再获取其内接椭圆。

22、有益效果：

23、1、本发明的避碰方法基于卷积神经网络对前视声纳图像进行语义分割获得前视声纳图像分割图，并从分割图中提取出障碍物的轮廓和位置信息，将障碍物的轮廓和位置信息发送给载体机动控制单元实现有效避碰，解决了传统声纳避碰方法避碰效果不理想的问题。

24、2、本发明的避碰方法通过坐标变换和双线性插值，将直角系下的原始二维波束数据映射成扇形声纳图像，由于采用的双线性插值方法，该插值方法生成的图像质量较好，保证了像素值的连续性。

25、3、本发明的避碰方法在步骤二中，数据处理采用中值滤波，通过中值滤波能有效减小前视声纳图像的噪声。

26、4、本发明的避碰方法使用基于最小外包矩形的快速椭圆拟合法对分割图提取障碍物的轮廓和位置信息，先用最小二乘方法获取目标障碍物最小外接矩形框，再获取其内接椭圆，采用基于最小外包矩形的快速椭圆拟合法具有速度快的特点，并且椭圆内背景像素少，提高了障碍物轮廓获取的精准度。

技术特征：

1.一种基于前视声纳图像的避碰方法，其特征在于，包括以下步骤：

2.如权利要求1所述的避碰方法，其特征在于，在步骤一中，采集的声纳数据为原始二维波束数据，其中：

3.如权利要求2所述的避碰方法，其特征在于，在步骤二中，数据处理采用中值滤波；对处理后的前视声纳图片采用labelme工具进行标注，生成json格式的标注文件，并按3:1分为训练集和测试集。

4.如权利要求1-3任一项所述的避碰方法，其特征在于，步骤三包括以下具体步骤：

5.如权利要求4所述的避碰方法，其特征在于，在步骤四中，将前视声纳训练集和图片放在指定位置作为前视声纳图像目标分割网络的输入开始训练，待训练损失函数收敛后停止训练，在测试集上测试训练好的前视声纳图像目标分割网络的分割效果。

6.如权利要求5所述的避碰方法，其特征在于，在步骤五中，使用训练后的前视声纳图像目标分割网络对新的声纳图像进行分割得到分割图，采用基于最小外包矩形的快速椭圆拟合法对分割图提取障碍物的轮廓和位置信息，先用最小二乘法获取目标障碍物最小外接矩形框，再获取其内接椭圆。

技术总结
本发明公开了一种基于前视声纳图像的避碰方法，该避碰方法包括以下步骤：采集前视声纳数据，并解析成声纳图像；对声纳图像进行数据处理并进行标注，将标注后的图像划分为训练集和测试集；构建前视声纳图像目标分割网络；使用前视声纳图像训练集对前视声纳图像目标分割网络进行训练，基于测试集进行测试，得到训练后的前视声纳图像目标分割网络；使用训练后的前视声纳图像目标分割网络对声纳图像进行分割得到分割后的图像，使用椭圆拟合方法对分割后的图像提取障碍物轮廓和位置信息。上述避碰方法能够实现有效避碰，解决了传统声纳避碰方法避碰效果不理想的问题。

技术研发人员：曾盎,徐从营,白龙,冯朝,李孟霏
受保护的技术使用者：宜昌测试技术研究所
技术研发日：
技术公布日：2024/1/11