[发明专利]基于全卷积神经网络的海天线在线检测方法

说明书

本发明公开了一种基于全卷积神经网络的海天线在线检测方法，用于完成无人艇在水面环境下对海天线的检测任务，即根据水面无人艇所携带的光视觉传感器传回的图像信息和水面无人艇的艇体姿态信息对当前传感器视角下的海天线进行预测，基于分类拟合原理，针对复杂的水面环境，依据水面图像的大体类别信息，设计全卷积神经网络和全连接网络模型，解决复杂水面环境下传感器的稳像问题以及艇体位姿的修正问题，同时也可以缩小搜索区域，加快搜索速度，为水面无人艇环境感知和运动规划及控制提供准确的传感器信息等。

技术领域

本发明涉及一种海天线检测方法，特指一种基于全卷积神经网络的水面无人艇用海天线在线检测方法，属于图像识别领域。

背景技术

海天线是区分海面区域和天空区域的分割线或者分割区域，可以用直线来近似表达，也可以用一个区域来拟合。海天线检测在传统的海面信息获取流程中是很重要的一环，不仅因为海天线可以用来对图像进行分割，在得到的海面区域内搜索目标，大大加快了检测速度，还可以用来监控无人艇的传感器姿态，辅助进行避障导航和工作状态判断，最主要也是用处最多的一点是海天线可以矫正摄像机姿态即稳像，来获取高质量的数据源。

2005年，哈尔滨工程大学的赵凝霞等首先将图像的直方图分解为不同层次的小波系数，然后依据给定的分割准则和小波系数选择阈值，再利用阈值标出图像分割的区域。在阈值分割的结果上，利用边缘是灰度级不连续点具有奇异性的性质，采用离散小波变换法对图像进行小波变换并检测海天线。

2009年，海军航空工程学院的赵峰民等利用边缘检测来得到边缘点，然后在这些边缘点抽取代表分界线的边缘点来构造海天线以完成分割。利用分界线和水纹在大尺度小波变换下的差异以及是否属于垂直方向上的边缘稠密集来去除水纹的影响。但是方法只假定了海天线基本处于水平状态下的水纹修正，对于倾斜姿态或者连续摇晃下的效果仍需验证。

2014年，特贝萨大学的Hin等使用随机抽样一致性算法(Randomsampleconsensus)来检测海天线，解决了阳光反射、遮挡、光线不好以及边界地区存在交错等因素给海天线检测带来的困难。但该方法局限在于对于有较大噪声的场景，例如具有较多建筑物和数目的海岸图像，此方法效果不好。

发明内容

针对上述现有技术，本发明要解决的技术问题是提供一种基于全卷积神经网络的海天线在线检测方法，用于无人艇实时检测海天线，为无人艇姿态矫正和目标搜索提供重要参考。

为解决上述技术问题，本发明的一种基于全卷积神经网络的海天线在线检测方法，包括以下步骤：

S1:收集实艇传感器图像数据，挑选出不同无人艇视角下的图像，并筛选出包含海天线的图像；

S2：设计全卷积神经网络结构，根据像素点预测分类结果的均方误差构造损失函数，并在海天线检测数据集上进行训练至模型收敛,如果不收敛则在损失函数中加入L2正则化项或采用批量正则化训练方法以使模型达到收敛效果；

S3：对收敛的全卷积模型采用平均像素精度指标对模型准确度进行评价，当平均像素精度指标大于设定值时，执行S4；当平均像素精度指标不满足大于设定值时，返回S2；

S4：使用全卷积神经网络模型对测试图像像素点进行分类，并组合像素点的类别信息和其在图像坐标系下的位置信息，得到每个点的信息元组，包括：类别，x坐标，y坐标；

S5：设计像素坐标系下的海天线方程y＝ax+b以及浅层全连接神经网络，利用图像像素点的信息元组拟合并修正海天线方程参数，得到最终的海天线。

本发明还包括：

对S1中筛选出包含海天线的图像使用图像评价指标均方根误差来判别图像是否符合机器阅读习惯，表达式为：