一种基于退化图像增强的轻量化水下目标检测方法及系统

本发明涉及深度学习图像处理，具体的是一种基于退化图像增强的轻量化水下目标检测方法及系统。

背景技术：

1、对于海洋的探索离不开水下目标检测任务，无论是在资源开发、海底捕捞、生态保护还是军事行动中，都具有重要价值。但是受到水下复杂环境带来的影响，人工或半人工的检测方式存在着诸如成本高、安全性低等一系列问题，这给水下任务带来了很大的挑战。现阶段，随着深度学习技术的蓬勃发展，基于视觉的目标检测技术已逐渐成为热点，被广泛用于水下目标识别任务，在资源开发、水下监测、生态保护等诸多方面发挥着重要作用，为水下检测任务提供了强有力的支撑。

2、水下环境较为复杂，给目标检测任务带来了很大的困扰。由于光线在水下会产生选择性衰减，即光在水下的传播存在着波长依赖关系。在水下环境中红色光衰减最快，其次是绿色光，再到蓝色光，因此采集到的水下图像往往呈现出蓝绿色背景，产生了色彩偏差。同时，水中的漂浮物会导致光的散射，从而使图像细节模糊。上述的问题会导致图像质量下降，直接影响了后续检测任务的精度。

3、近年来，深度学习正在蓬勃发展。目标检测技术取得了很大的进展，被广泛运用于各种场景。但是，现阶段的方法网络结构复杂且参数量庞大，不利于实时检测。目前，目标检测算法主要分为两类:一类是一阶段检测器，直接对特征图像上的位置进行类别预测，如ssd、yolo系列等，具有速度快，准确性高等特点。另一类是基于检测帧和分类器的两阶段算法，先生成区域候选框，再由卷积神经网络对每个区域候选框进行分类，如r-cnn、fast-rcnn和faster-rcnn等，具有准确性高但速度慢的特点。

技术实现思路

1、为解决上述背景技术中提到的不足，本发明的目的在于提供一种基于退化图像增强的轻量化水下目标检测方法及系统，

2、本发明的目的可以通过以下技术方案实现：一种基于退化图像增强的轻量化水下目标检测方法，方法包括以下步骤：

3、接收图像增强数据集uie和水下目标检测数据集urpc，对uie和urpc进行预处理，并将预处理后的uie和urpc划分为训练集、验证集和测试集；

4、将预先建立的水下成像模型嵌入uwcnn-sd网络，并将uie数据集中的水下图像输入uwcnn-sd网络训练，通过原始水下图像和真实图像训练网络，保存训练好的权重，并将权重载入uwcnn-sd网络，urpc数据集输入训练好的uwcnn-sd网络，最终得到清晰的水下图像，

5、将清晰的水下图像、训练集、验证集和测试集输入预先建立的轻量化水下目标检测模型内，最终输出包含水下目标检测框的图像，对水下目标检测框内的目标进行识别和标记，计算平均精度得到检测结果。

6、其中可选的，所述uie数据集包含950对水下图像和真实图像，其中真实图像是清晰的水下图像，没有色彩偏差。

7、其中可选的，所述urpc数据集包含7600张图片和相应的标签文件，所述标签文件包括标注框，标注框的位置信息以及标注框内容的真实类别信息。

8、其中可选的，所述水下成像模型对水下图像进行离散余弦变换，分离为高频部分和低频部分，再构建cnn网络和损失函数，将水下成像模型嵌入网络可以对低频部分消除色彩偏差，对高频部分突出纹理细节，最后将二者融合输出清晰的水下图像。

9、其中可选的，所述水下成像模型如下：

10、iλ(x)＝jλ(x)tλ(x)+aλ(1-tλ(x))

11、式中，iλ(x)为捕获的水下图像，jλ(x)为清晰图像，tλ(x)为透射率，aλ为全局背景光，λ表示rgb通道；

12、对大气散射模型进行转换：

13、jλ(x)＝kλ(x)iλ(x)-kλ(x)+1

14、将tλ(x)和aλ联合为一个单变量kλ(x)，对水下图像进行离散余弦变换，分离为高频分量和低频分量：

15、iλ(x)＝iλlf(x)+iλhf(x)

16、jλlf(x)＝kλ(x)iλlf(x)-kλ(x)+1

17、jλhf(x)＝kλ(x)iλhf(x)-kλ(x)+1

18、lf表示低频分量，hf表示高频分量，构建cnn网络，将uie数据集中的水下图像输入网络训练，学习参数kλ(x)，将kλ(x)代入水下成像模型中，反解出清晰的水下图像。

19、其中可选的，所述cnn网络训练过程如下：

20、通过最小化损失函数来训练网络，首先采用高斯分布对网络参数初始化，adam优化器用于优化网络参数，最后将学习到的权重保存并载入测试文件，将urpc数据集中的水下图像输入测试文件，获取增强后的水下目标检测图像，所述的损失函数如下：

21、

22、其中，

23、

24、

25、

26、μ和σ分别表示灰度图像jλ(x)和iλ(x)的均值与标准差，表示灰度图像jλ(x)和iλ(x)的协方差，c1＝(k1+l)2、c2＝(k2+l)2，式中k1＝0.01、k2＝0.03、l＝1。

27、其中可选的，所述轻量化水下目标检测模型通过将yolov5中的特征提取网络替换为ghostnet轻量化模块，提取到尺寸不同的三个特征图，在颈部添加ca注意力机制，然后将三个不同尺度的特征图分别输入到三个分类回归层进行预测。

28、其中可选的，所述所述的ca注意力机制包含以下三个操作：

29、信息嵌入操作：对于给定的一个输入特征图，使用全局平均池化分别沿着特征图的水平方向和垂直方向进行池化操作，得到两个嵌入后的信息特征图，水平方向使用h×1的池化核，将h×w×c的输入特征通过全局平均池化操作得到h×1×c的信息特征图，公式如下所示：

30、

31、垂直方向即y方向使用1×w的池化核，将将h×w×c的输入特征通过全局平均池化操作得到1×w×c的信息特征图，公式如下所示：

32、

33、注意力生成操作：将上一步生成的两个信息特征图zhc和zwc，沿着空间维度进行拼接，再经过1×1卷积操作和激活函数。之后沿着空间维度进行分片操作得到两个分离的特征图，再分别对两个分离的特征图进行变换和激活函数，得到两个注意力向量gh和gw，公式如下所示：

34、

35、其中，

36、

37、

38、gh＝σ(fh(fh))

39、gw＝σ(fw(fw))

40、特征图校正操作：上一步操作得到两个注意力向量gh∈c×h×1和gw∈c×1×w，将其进行广播变换到c×h×w的维度后与经过残差操作的输入特征图xc进行对应位置相乘操作，得到最后的注意力特征。

41、其中可选的，所述平均精度的计算过程如下：

42、使用p和召回率r的统计数据来衡量准确度，精确度是真阳性tp与所有预测阳性tp+fp的比值，表示预测结果中正确预测的比例，而召回率是真阳性与实际阳性tp+fn的比值，表示所有目标中被正确预测的比例，平均准确度ap是指在所有召回率的可能取值情况下，得到所有准确度的平均值；

43、其中，

44、

45、

46、

47、一种基于退化图像增强的轻量化水下目标检测系统，包括：

48、图像处理模块：用于接收图像增强数据集uie和水下目标检测数据集urpc，对uie和urpc进行预处理，并将预处理后的uie和urpc划分为训练集、验证集和测试集；

49、图像增强模块：将预先建立的水下成像模型嵌入uwcnn-sd网络，并将预处理后的uie数据集中的水下图像输入uwcnn-sd网络训练，通过原始水下图像和真实图像训练网络，保存训练好的权重，并将权重载入uwcnn-sd网络，urpc数据集输入训练好的uwcnn-sd网络，得到清晰的水下图像；

50、图像生成模块：用于将清晰的水下图像和训练集、验证集和测试集输入预先建立的轻量化水下目标检测模型内，最终输出包含水下目标检测框的图像，对水下目标检测框内的目标进行识别和标记，计算平均精度。

51、本发明的有益效果：

52、本发明利用了最前沿的图像增强技术和目标检测技术，实现了前沿技术的实用化。本发明针对水下目标检测的难点，首先运用uwcnn-sd算法对退化的水下图像进行增强处理，消除因光线衰减导致的色彩偏差，然后在yolov5模型的基础上进行改进，将模型的特征提取网络替换为ghostnet以减少参数和计算量，提升推理速度，并引入ca注意力机制，加强对特征的提取。最终，水下目标检测的精度更高，速度更快，泛化能力好。