[发明专利]基于水下成像环境模型的数据增广方法

说明书

本发明涉及一种基于水下成像环境模型的数据增广方法，属于水下目标检测识别技术领域。不同程度的海洋湍流对水下图片成像质量的影响不同，针对这个问题采用基于湍流模型的数据增广方法,此方法可模拟不同程度的海洋湍流对水下图片成像的影响；水下图片通过水下机器人拍摄，不同的拍摄视角拍摄同一个目标存在不同，针对这个问题采用基于透视变换模型的数据增广方法，此方法可模拟同一目标不同的拍摄视角所拍摄的图片；水下拍摄时人造光的存在会使图片存在不均匀光照现象，针对这个问题采用基于不均匀光照模型的数据增广方法，此方法可模拟水下图片不同的不均匀光照现象。本发明提高了水下机器人深度学习目标识别的成功率。

技术领域

本发明涉及一种基于水下成像环境模型的数据增广方法，属于水下目标检测识别技术领域。

背景技术

近年来，国家开始重视对海洋资源进行开发。对海洋资源的开发，离不开水下机器人作业技术的支持。海洋为人类提供了大量的优质食品蛋白资源，如海参、海胆、扇贝、海洋鱼类等。根据太平洋海胆和海参协会统计，我国对海参、海胆和扇贝等海产品的需求每年可达上百亿美元，并且以10％的速度高速增长。目前，自然养殖环境下海生物的捕捞主要由潜水员完成，但是人工捕捞具有成本高、效率低及潜水员安全性低等缺点，不符合海洋经济绿色发展、可持续发展的宗旨，所以海生物水下自主捕捞机器人取代人工捕捞将是一个崭新的思路，也将是未来海生物养殖、捕捞与抓取的一个发展趋势。研究人员已经对海生物捕捞机器人展开一定研究，例如专利文献“海珍品采捕机器人(CN201410686861.X)”主要通过海底行走，人工遥控机器人水下观察、抽吸完成海生物的捕捞。专利文献“海底生物捕捞机器人的自主导航和人机协同捕捞作业系统(CN201210553378.5)”和“一种仿生海底生物捕捞机器人(CN201210553365.8)”虽然在水下作业的导航和行走具备一定自主性，但依然依靠操作人员对路径规划、目标搜寻、捕捞指令等进行一定的干预，自主性有限。以上发明均难以实现对海生物的智能控制自主吸取捕获，在普通的渔民使用和推广上比较困难，需投入一定的人力和智力培训。

目前，计算机视觉已经在现实生活中的各个领域得到了应用。在水下机器人领域，计算机视觉技术能使水下机器人拥有更强的感知水下陌生环境的能力，从而使得水下机器人可以在陌生水下环境执行复杂水下任务的问题，包括目标检测、目标跟踪、回避障碍等，使水下机器人水下自主作业的能力得到了大大的提升。水下环境感知是水下机器人自主作业的第一步，具有机器人眼睛的作用，能够对机器人所处的水下环境进行感知、避障以及目标的检测和识别等等功能，其对水下机器人的自主作业起到至关重要的作用。这其中，目标识别和检测是水下环境感知的重要组成部分，使得目标识别和检测研究是计算机视觉技术在水下机器人中研究的重点。当前目标检测方法主要有传统方法和基于深度学习的方法两类。传统方法通过人工提取特征，然后人工设计分类器对特征进行分类及回归，从而进行目标检测识别。传统方法具有计算量小、计算速度快的优点，但也有识别准确率的缺点，影响后续水下机器人的自主控制。基于深度学习的目标检测识别方法，使用卷积神经网络提取特征，通过端到端的方法，利用神经网络对特征进行分类和回归，从而实现目标检测识别的功能。基于深度学习的方法具有识别准确率高的优点，但是其神经网络模型的训练需要大量的样本。然而，由于水下环境的复杂多变，水下目标图片的获取比较困难，大量水下目标图像的标注也需要大量的人力和物力，使得大量训练样本的获取有一定的困难。而如果在样本不足的条件下进行卷积神经网络的训练，得到是模型往往存在这泛化能力不强等问题。因此，如何在水下目标训练样本不足的条件下训练出一个泛化能力强的模型是目前亟需解决的一个难点。

发明内容

本发明的目的是为了解决如何在水下目标训练样本不足的条件下训练出一个泛化能力强的模型问题而提供一种基于水下成像环境模型的数据增广方法。

本发明的目的是这样实现的：一种基于水下成像环境模型的数据增广方法，具体包括以下步骤：