[发明专利]基于深度学习的深海海底障碍物测量系统与识别方法

说明书

本发明公开了基于深度学习的深海海底障碍物识别方法，包括以下步骤：对摄像机进行标定，获取摄像机的内外参数；收集图像数据集并进行预处理，离线训练模型并评估；采集海底地形图像，测量摄像机离障碍物的距离；基于深度学习语义分割技术对采集到的图像进行处理，并获得障碍物的特征参数；利用数据融合模块融合标定所得的内外参数和测得的距离参数，将障碍物的特征参数转换成障碍物的实际参数，从而得到障碍物的基本信息。本发明的识别方法将深度学习技术与摄像机标定和激光测距等方法进行融合，得到障碍物实际特征参数，将有利于移动式深海取样装备进行行驶可通行性分析、自动避障及路径规划研究。

技术领域

本发明涉及一种基于深度学习的深海海底障碍物测量系统与识别方法。

背景技术

海洋蕴含着极为丰富的多金属结核、富钴结壳及多金属硫化物等矿产资源，据目前初步调查认为：15％的深海区赋存有多金属结核资源，总储量约3万亿吨，主要赋存于水深3000m～6000m的海底表层；在大约635万平方公里的海底(占海底面积的1.7％)为富钴结壳所覆盖，据此推算，钴总量约为10亿吨，主要分布于约400m～4000m水深的海底，最大厚度约为24cm；多金属硫化物(又称热液硫化物)是近年来颇受关注的海底重金属矿产资源，经各国30多年调查，目前在海底己发现热液活动区有300多处，海底多金属硫化物产处的水深范围跨度很大，浅可为几米，深可达几千米，主要集中在1500m～3000m之间，占全部水深分布的68％。这些资源具有极大的科研探索和商业利用价值。深海矿产资源开采技术研究将关系到国家可持续发展和民族的长远利益。

深海矿产资源探采装备作为海底工程地质勘探和深海矿产资源开采所必备的关键技术装备，承载着许多探采任务。目前深海矿产探采装备在海底或近海底的行走方式从理论上有浮游式、拖曳式和自行式三种。虽然发展很成熟的水下机器人(ROV、AUV和HOV等)均是采用浮游运动，但深海采矿作业产生的较大反力影响到矿物探采工作，因此也不宜采用这种方式。拖拽式海底采矿车被证明在技术上可行，但也发现其行走方式难以控制且采集率、避障困难。目前在研的移动式深海取样装备基本都是采用履带自行式行走方式，其极强的负载能力和恶劣地形通过性能，使其成为诸多深海矿产资源探采装备的首选。自行移动式深海矿产资源探采装备的定位导航与控制必须采用遥控和自控方式，但深海电磁波减弱，其定位导航不用沿用GPS等成熟技术，而采用声学方法则会受到采矿装备强噪声干扰。因此自行式资源探采装备的定位导航存在大量有待解决的理论问题和关键技术。

目前针对海底光学视觉导航的研究应用并不广泛，尽管采用光学方法定位导航会由于海底沉积物的扰动而影响视觉效果，但对总体视觉效果影响并不大。因此采用光学视觉的方式识别海底障碍物，并进行避障分析和路径规划，以实现定位导航成为可能。但深海海底障碍物的形状、表层纹理都不尽相同，采用常规的模式识别方式并不能实现障碍物的识别，且也难以测量出障碍物的实际特征信息。

发明内容

为了解决上述技术问题，本发明提供一种结构简单、工作稳定可靠的基于深度学习的深海海底障碍物测量系统，并提供一种算法简单的基于深度学习的深海海底障碍物识别方法。

本发明解决上述问题的技术方案是：一种基于深度学习的深海海底障碍物测量系统，其特征在于，包括标定模块、数据预处理模块、数据采集模块、数据处理模块、数据融合模块和测量结果模块；

数据采集模块包括摄像机和激光测距传感器，摄像机用于采集海底地形图像，激光测距传感器用于测量摄像机离障碍物的距离；

所述标定模块用于摄像机标定，获取摄像机的内外参数；

数据预处理模块收集摄像机采集的图像数据集和激光测距传感器测量的距离数据并进行预处理，离线训练模型，评估训练后的模型，调整参数后并保存训练后的模型；

数据处理模块与数据采集模块相连，基于深度学习语义分割技术对摄像机采集的图像数据进行处理，并获得障碍物的像素面积、像素宽和高特征参数，然后送入数据融合模块；