本发明涉及显著性目标检测方法,尤其是一种基于多波束声呐的水下机器人显著性目标检测方法。
背景技术:
1、显著性目标检测是一种重要的目标探测方法,在声呐图像信息比较复杂的前提下,其最终探测效果决定了水下机器人的水下环境感知效果,很大程度影响着水下机器人的运行安全。
2、水下机器人在执行水下作业时,由于海洋介质环境的复杂多变与不可预见性,引起声呐数据受到严重混合噪音污染的同时,也导致传统目标检测在面对多目标、未知目标以及全新目标时检测精度与鲁棒性大大下降,同时人工无法做出有效干预,造成了水下机器人对水下环境的错误与异常环境感知,严重影响控制端的数据获取以及水下机器人的运行安全性。
技术实现思路
1、本申请人针对上述现有生产技术中的缺点,提供一种基于多波束声呐的水下机器人显著性目标检测方法,从而可以有效地解决传统目标检测在面对多目标、未知目标以及全新目标时无法检测的问题,实现水下机器人实时高效准确的环境感知。
2、本发明所采用的技术方案如下:
3、一种基于多波束声呐的水下机器人显著性目标检测方法,包括如下操作步骤:
4、第一步:搭建多波束声呐显著性目标检测系统;
5、多波束声呐显著性目标检测系统包括声呐数据获取模块,声呐数据预处理模块和显著性目标检测模块,
6、声呐数据获取模块功能为:解析多波束声呐的传输信息,得到声呐数据;
7、声呐数据预处理模块功能为:为本模块申请显存空间,将声呐数据从计算机内存传输到显存,然后利用cuda技术加速非局部均值滤波算法并执行gamma调整,有效去除椒盐噪声和高斯噪声,同时提升声呐图像的对比度,为显著性目标检测模块提供数据基础。
8、作为上述技术方案的进一步改进:
9、重新拷贝到计算机显存,进行显示与保存;
10、显著性目标检测模块功能为:运用深度学习网络:基于改进resnet架构的basnet模型对预处理过的声呐图像进行分析。
11、有效区分背景与显著目标之间的对比度差异,获取水下机器人多波束声呐视域内显著性目标;
12、第二步:声呐数据获取模块解析多波束声呐的数据,得到声呐数据;
13、首先由声呐通过udp广播的信息中获得声呐设备的ip地址,通过tcp协议进行连接,通过tcp/ip数据包,从数据包固定位置中获得声呐的数据以及角度信息;
14、第三步:声呐数据预处理模块申请显存利用,启用滤波算法与gamma矫正对声呐数据进行预处理,实现质量增强;
15、通过cuda中api函数申请gpu中的内存空间,申请的空间大小根据图像大小动态开辟,并将其内存首地址记录在指针变量中;
16、通过cuda中api函数申请gpu中的内存空间,并将存在计算机内存空间的相关数据拷贝到显存空间中,启动加速非局部均值滤波代码与gamma矫正,对声呐数据进行处理;
17、将处理完毕的数据,重新拷贝到计算机显存,进行显示与保存;
18、第四步:显著性目标检测模块启用显著性目标检测算法对处理之后的声呐数据执行显著性目标检测;
19、从声呐数据预处理模块接收经过优化处理的声呐图像数据,通过模块加载预先训练完成的模型权重,利用改进resnet的basnet显著性目标检测模型对预处理过的图像数据进行分析,为水下机器人执行水下作业时锁定探测领域中的显著有效目标;
20、将处理完毕的数据,重新拷贝到计算机显存,进行显示与保存;
21、至此,完成水下机器人多波束声呐视域中的显著性目标检测。
22、其进一步技术方案在于:
23、利用积分图与cuda融合加速,保证算法效果的基础上,为深度学习模型的显著性目标检测提供高质量且响应及时的数据。
24、针对多波束声呐领域,基于深度学习,设计专用于声呐显著性目标检测的网络模型,利用预先增强处理的多波束声呐数据执行显著性目标检测,能够很好地保证探测效果,特别适用于嘈杂和低对比度的水下环境,具有优秀的场景适应性,显著提高了水下机器人的感知性能。
25、第四步中,从声呐数据预处理模块接收经过优化处理的声呐图像数据,这些数据已经在gpu上进行了噪声去除和对比度增强处理,图像质量得到了显著提升,为显著性目标检测创造了有利条件。
26、模块加载预先训练好的深度学习模型:基于改进的resnet架构的basnet与其模型权重,模型具体训练过程如下:
27、①收集数据并创建原图-真值图样本对;
28、收集多波束声呐图像数据,这些数据应覆盖所需要的水下环境条件及各种可能的干扰因素;
29、确定图像中的显著性目标,如水下岩石、生物等;
30、以提高模型对图像变换的鲁棒性;
31、③模型训练;
32、基于以上准备好的数据利用gpu对网络模型进行监督学习,根据声呐图像的特点调整模型参数,通过划分数据集为训练集、验证集和测试集来评估模型表现;
33、④迭代优化与权重保存;
34、采用f-measure,s-measure与mae等指标评估模型性能。
35、调整模型参数以达到更好的性能,保存具备最佳性能的网络模型权重,此权重即为预加载模型权重;
36、模块利用该模型对预处理过的多波束声呐图像数据进行分析,识别图像中的显著性目标,模型会分析图像中的每一个像素点,计算其成为显著目标的概率,并通过算法优化,将高概率区域标记为显著性目标。
37、本发明的有益效果如下:
38、本发明针对显著性目标检测网络对噪音与局部最小值敏感导致鲁棒性降低的问题,展示了一种基于多波束声呐图像的水下机器人显著性目标检测方法,通过利用深度学习模型显著提高检测精度和处理速度。首先,声呐数据经过加速非局部均值滤波算法和gamma校正预处理,以优化图像质量,随后,通过改进的resnet架构的basnet模型对图像进行显著性目标检测,有效识别和定位显著目标。这一方法不仅提升了水下机器人在复杂环境中的操作效率,还增强了对低质量声呐图像的处理能力,具有显著的实用价值。
39、本发明考虑多波束声呐成像介质边界特性繁复引起的声波损失导致成像素质低,进而降低对噪音与局部最小值敏感的显著性目标检测网络的鲁棒性的问题,对数据进行预处理而后进行显著性目标检测。本发明方法可以实时有效泛化的实现基于多波束声呐水下机器人视域内显著性目标检测,具有很高的实用价值。
1.一种基于多波束声呐的水下机器人显著性目标检测方法,其特征在于:包括如下操作步骤:
2.如权利要求1所述的一种基于多波束声呐的水下机器人显著性目标检测方法,其特征在于:利用积分图与cuda融合加速,保证算法效果的基础上,为深度学习模型的显著性目标检测提供高质量且响应及时的数据。
3.如权利要求1所述的一种基于多波束声呐的水下机器人显著性目标检测方法,其特征在于:针对多波束声呐领域,基于深度学习,设计专用于声呐显著性目标检测的网络模型,利用预先增强处理的多波束声呐数据执行显著性目标检测,能够很好地保证探测效果,特别适用于嘈杂和低对比度的水下环境,具有优秀的场景适应性,显著提高了水下机器人的感知性能。
4.如权利要求1所述的一种基于多波束声呐的水下机器人显著性目标检测方法,其特征在于:第四步中,从声呐数据预处理模块接收经过优化处理的声呐图像数据,这些数据已经在gpu上进行了噪声去除和对比度增强处理,图像质量得到了显著提升,为显著性目标检测创造了有利条件。
5.如权利要求4所述的一种基于多波束声呐的水下机器人显著性目标检测方法,其特征在于:模块加载预先训练好的深度学习模型:基于改进的resnet架构的basnet与其模型权重,模型具体训练过程如下: