[发明专利]基于多波束测深声纳的气体泄露检测方法

权利要求书

1.基于多波束测深声纳的气体泄露检测方法，其特征在于：步骤如下：

步骤1：将初始数据进行全局归一化处理；

需要对多波束测深声纳采回的数据进行归一化处理以便挑选数据集，归一化方法如下：

其中：m为波束数，n为深度方向采样点数，p(i,j)为声纳在第j个波束上的第i个采样点的数据，得到的y为全图归一化的值；

得到归一化后的图像数据x(i,j)为：

步骤2：将归一化后的图像数据进行去旁瓣处理；

针对多波束测深声纳成像有旁瓣干扰的问题，进行了抑制旁瓣干扰的处理，方法如下：

将步骤1处理后的成像数据x(i,j)处理如下：将序号i的m个波束进行升序排序，得到序列：xo(i,1)＜xo(i,2)＜...＜xo(i,k)＜...xo(i,m)，将图像数据用当前采样点m个波束排序后序列的第k个值xo(i,k)进行归一化操作，归一化操作如下：

得到R(i,j)即为消除干扰后的图像数据；

步骤3：转为扇形图；

从声纳获得的图像数据是呈矩形状态的，为方便识别，对数据进行转扇形操作，得到真实成像效果；具体为：

F(x,y)＝R(r,θ)

其中：F(x,y)为待转换的扇形图像，x、y为扇形图像的坐标数据，R(r,θ)为原始矩形图像，r,θ为矩形图像的坐标数据；

步骤4：整理数据集；

将转成扇形后的图像数据后进行整理和分类，整理是先将一些错误数据以及无意义的图像数据筛选掉，分类主要就是将有气泡的分为一组，无气泡的分为一组；并划定测试集以及训练集；

步骤5：输入待检测图像，并提取候选区域；

利用RPN算法在输入图像中提取出候选区域，并把这些候选区域按照空间位置关系映射到最后的卷积特征层，其中RPN网络为CNN后面接一个3*3的卷积层，再接两个1*1的卷积层，其中一个是用来给softmax层进行分类，另一个用于给候选区域精确定位；另外RPN网络中anchor是一组固定尺寸的矩形框，是使用不同的尺寸和长宽比在图像上放置得到的boxes，并作为第一次预测目标位置的参考boxes；Faster-RCNN中，通过三种形状，按长宽比为{1：1，1：2，2：1}生成九个anchor；若CNN得到的featuremap大小为w*h，那总的anchors个数为9*w*h，9为上述的9种anchors；假设原图大小为W*H，可得W＝S·w，H＝S·s，S为之前所有层的stridesize相乘，所以featuremap上的点乘以S即为anchors的原点位置，得到所有框的原点位置以及大小就得到原图上的anchors区域；

步骤6：区域归一化操作；

通过对于卷积特征层上的每个候选区域进行RoIPooling操作，得到固定维度的特征来实现区域归一化操作，方法具体如下：

RoIPoolingLayer将不同尺度的特征图下采样到一个固定的尺度，通过RoIPoolingLayer后，产生一个7*7*512维度的特征向量作为全连接层的输入，即RoIPoolingLayer只采用单一尺度进行池化；RoIPooling采用一种尺度的池化层进行下采样，将每个RoI区域的卷积特征分成4*4个bin，然后对每个bin内采用maxpooling，得到16维的特征向量；

步骤7：分类与回归；

分类与回归中将上述步骤提取到的特征输入到全连接层中，利用全连接层和Softmax计算每个候选区域属于是否属于有气体泄露的类别，输出分类概率向量；同时利用检测边框回归来计算每个候选区域的位置偏移量，从而识别出更加精准的气体泄露目标检测的边框：

Softmax分类器数学表达如下：

Logistic回归中，训练集由m个已标记的样本构成：{(x⁽¹⁾,y⁽¹⁾),...,(x^(m),y^(m))}，假设函数如下：

训练模型参数θ，使其最小化代价函数：

Logistic回归代价函数可以改为：

在Softmax回归中将x分类为类别j的概率p(y(i)＝j|x(i)；θ)为：

通过全连接和softmax对候选目标区域进行分类，是在对声纳图像进行识别气体泄露目标区域的操作，再次对候选目标区域进行边框回归得到更为准确的目标检测框。