[发明专利]一种基于深度卷积神经网络的航标图像智能分类方法

说明书

本发明提供一种基于深度卷积神经网络的航标图像智能分类方法。包括：采集航标图像；对航标图像进行预处理形成数据集；构建注意力航标分类模型；训练模型并进行测试，形成训练好的注意力航标分类模型；利用tensorflow‑serving对训练好的注意力航标分类模型进行部署，提供调用网络接口；进行航标分类的应用。本发明提出的注意力航标分类模型，专门针对不同细类的航标数据进行训练，应用于智能船舶和智能航行系统中，提高对环境的视觉感知能力，保障船舶的航行安全；也可应用于基于手机的航道信息智能服务APP中，培养和提升社会公众和船员的识标能力和水平。

技术领域

本发明涉及航标分类技术领域，具体而言，尤其涉及一种基于深度卷积神经网络的航标图像智能分类方法。

背景技术

为了标示航行环境中的航道边界、锚泊区、安全水域和危险物等各种不同的助航和碍航要素，航标分为了多种不同的类别，包括侧面标志、方位标志、孤立危险物标志、安全水域标志和专用标志等，而且每个大的类别下面又分多种细类，它们具有不同外形结构、颜色或顶标。对智能航行系统和智能船舶而言，能够对不同类别的航标进行正确识别，对于指引船舶安全和高效率航行具有十分重要的意义。

然而，由于航标的类别众多，某些细类航标间的视觉外观大致相同，可能只在局部存在着细微的差别，例如顶标、颜色方案或者标牌，对它们进行区分属于细粒度的分类问题。这对基于图像的识别任务带来了挑战，正常的深度卷积神经网络已经很难满足对细类航标的图像细粒度分类要求。

发明内容

根据上述提出的技术问题，而提供一种基于深度卷积神经网络的航标图像智能分类方法。本发明基于ResNet-50网络，提出了一种结合多尺度特征的注意力航标分类模型，专门针对不同细类的航标数据进行训练，大大提升了航标细粒度分类的准确性。该模型可应用于智能船舶和智能航行系统中，提高对环境的视觉感知能力，更好地保障船舶的航行安全；也可应用于基于手机的航道信息智能服务APP中，培养和提升社会公众和船员的识标能力和水平。

本发明采用的技术手段如下：

一种基于深度卷积神经网络的航标图像智能分类方法，包括如下步骤：

S1、采集航标图像；

S2、对上述采集的航标图像进行预处理形成数据集；

S3、构建注意力航标分类模型；

S4、训练步骤S3中构建的注意力航标分类模型，并进行测试，形成训练好的航标分类模型；

S5、利用tensorflow-serving对训练好的注意力航标分类模型进行部署，提供调用网络接口；进行航标分类的应用。

进一步地，所述步骤S1中采集的航标图像包括4个大类，分27个子类，根据其功能、形状、颜色和顶标样式再细分为97个细类。

进一步地，所述步骤S2中的预处理为对所述航标图像进行数据增强操作，具体为：

S21、采用opencv库对所述航标图像添加高斯噪声；

S22、改变上述添加高斯噪声后的航标图像的亮度；

S23、对改变亮度后的航标图像进行平移操作；

S24、对平移后的航标图像进行翻转操作。

进一步地，所述步骤S3中对ResNet-50网络作出改进，通过结合多尺度特征，形成注意力矩阵，再与输入图像进行逐元素乘积，具体包括：

S31、注意力航标分类模型的第一层形成一个注意力矩阵捕捉注意力区域，其基础网络为ResNet-50，包含ImageNet上预先训练的参数，在第一层进行如下操作：