[发明专利]一种检测前视主动声呐图像中弱小目标的方法

说明书

本发明公开了一种检测前视主动声呐图像中弱小目标的方法，通过将YOLOv5s和MobileNetV3small目标检测网络进行结合，然后针对目标的弱小特性进行数据增强和参数调优，对多波束前视声呐Gemini720i收集的图像进行训练，图像类别包括渔网、布条和塑料袋等具有代表性的针织类和塑料类垃圾。由于收集的原始数据集不平衡，因此对数据集进行了处理，并用增强后的数据集，对比YOLOv5m、YOLOv5l和YOLOv5x对结果性能的影响，分析了网络尺寸对本发明中涉及的数据集目标检测性能的影响，实验仿真结果表明，满足AUV实时避障作业要求。

技术领域

本发明属于前视主动声呐图像识别技术领域，具体涉及一种检测前视主动声呐图像中弱小目标的方法。

背景技术

自主水下潜航器(AUV)主要应用于海底打捞，水下工程建设维护、弹道规划和反潜作战任务等工作，与载人水下航行器相比，AUV的机动性更强，适应能力和生存能力更高，而且大大减小了人员伤亡的风险。科技进步的同时，海洋环境却成为越来越棘手的问题，海洋中的垃圾和渔网会缠绕AUV的螺旋桨，对AUV的航行作业产生了很大的阻碍影响，因此开发完善AUV的避障功能有很大的现实意义。

为了不遗漏任何障碍物，检测障碍物算法必须是实时的。由于水下环境的光学成像存在光散射、光吸收、照明不足等缺陷，因此目前大部分AUV检测工作都基于声呐图像进行目标检测，声呐图像具有高频、高分辨率和实时性强等特点。传统机器学习目标检测算法首先提取图像特征，然后进行分类和定位，代表算法有支持向量机(SVM)和AdaBoost等。还有相关研究通过将HOG特征提取、主成分分析、支持向量机和其他方法结合，对声呐图像进行检测。虽然基于传统机器学习的目标分类和定位精度均较可观外，但是这些算法的实时性和泛化性能不太理想。

如今，基于卷积神经网络的深度学习的目标检测方法已占主导地位，卷积神经网络是对神经网络进行卷积操作，然后进行有监督的机器学习算法。Faster RCNN网络，是具有代表性的二阶段卷积神经网络，但是只有背景单一、目标简单的图像的检测效果好。RFBNet整体上是对SSD网络进行了改进，是单阶段轻量级网络，引入了(Receptive FieldBlock，RFB)模块，检测速度快，同时保证了检测精度，但是漏检和误检率较高。

因为本发明涉及的目标较小而且较弱，Faster RCNN对小目标的检测精度较差，而且二阶段网络的检测速度很慢。也有相关研究通过对YOLOv3进行改进，提高了声呐图像中小目标的Recall(召回率)和mAP(平均检测正确率)，但是模型训练的迭代次数太多，达到了一万多次，导致前期所需训练时间过长；而且检测速度过慢，不适用AUV高精度和实时性强的工作要求。

发明内容

本发明针对现有技术中存在的上述缺陷，提出一种检测前视主动声呐图像中弱小目标的方法，使用YOLOv5s+MobileNetV3small网络对前视声呐图像进行弱小目标检测和定位，在有效提高检测精度的同时，还大大提高了检测的实时性，实现了AUV能够在复杂海域中识别检测弱小目标的目的，保障了AUV的避障决策。

本发明是采用以下的技术方案实现的：一种检测前视主动声呐图像中弱小目标的方法，包括以下步骤：

步骤A、获得原始数据集：在海中布置障碍物，所述障碍物包括渔网、塑料袋、布条；通过搭载在AUV上的多波束前视主动声呐对障碍物进行扫描，获得原始数据，并对其进行实时解析及插值处理，得到三类障碍物的扇形前视声呐图像；

步骤B、对原始数据集进行初步处理：对步骤A插值处理后得到的扇形前视声呐图像数据进行平衡处理，得到增强数据集，并制作标签；

步骤C、图像处理：对步骤C初步处理后的数据集进行数据增强以及Mosaic操作和图像遮挡，得到三类前视声呐图像；

步骤D、使用YOLOv5s+MobileNetV3small深度网络模型+Pytorch深度学习框架三类前视声呐图像进行训练，从而实现实时识别并定位弱小目标，具体为：