[发明专利]一种基于深度学习的无人艇环境智能感知方法

权利要求书

1.一种基于深度学习的无人艇环境智能感知方法，用于实现无人艇周围环境目标识别与定位以及前方可行方向的分割，其特征在于，包括：

步骤1：获取训练图像数据集和测试图像数据集；

步骤2：构建无人艇环境感知模型；

步骤3：使用训练图像数据集训练无人艇环境感知模型；

步骤4：使用测试图像数据集测试无人艇环境感知模型的精度，判断无人艇环境感知模型是否达到预设精度，若是，则执行步骤5，否则，返回步骤3；

步骤5：获取无人艇视线范围内实时图像，输入无人艇环境感知模型对无人艇周围环境进行实时的目标识别、定位以及前方可行方向的分割。

2.根据权利要求1所述的一种基于深度学习的无人艇环境智能感知方法，其特征在于，所述的无人艇环境感知模型包括编码器结构(1)和解码器结构(2)；

所述的编码器结构(1)和解码器结构(2)相连；

所述的编码器结构(1)的输入信号为训练图像数据集中的训练图像、测试图像数据集中的测试图像或无人艇视线范围内实时图像。

3.根据权利要求2所述的一种基于深度学习的无人艇环境智能感知方法，其特征在于，所述的编码器结构(1)具体为深度卷积神经网络；所述的编码器结构(1)包括依次相连的第一卷积层(101)、第一池化层(102)、第二池化层(103)、第三池化层(104)、第四池化层(105)和第五池化层(106)；所述的第一池化层(102)、第二池化层(103)、第三池化层(104)、第四池化层(105)和第五池化层(106)均为2×2池化层。

4.根据权利要求3所述的一种基于深度学习的无人艇环境智能感知方法，其特征在于，所述的解码器结构(2)包括检测解码单元(21)、分类解码单元(22)和分割解码单元(23)；

所述的检测解码单元(21)的输入信号包括第四池化层(105)的输出信号和第五池化层(106)的输出信号；

所述的分类解码单元(22)的输入信号为第五池化层(106)的输出信号；

所述的分割解码单元(23)的输入信号包括第三池化层(104)的输出信号经过上采样后获得的信号、第四池化层(105)的输出信号经过上采样后获得的信号和第五池化层(106)的输出信号。

5.根据权利要求4所述的一种基于深度学习的无人艇环境智能感知方法，其特征在于，所述的无人艇环境感知模型设有ROI-align层(3)；所述的编码器结构(1)通过ROI-align层(3)与检测解码单元(21)相连。

6.根据权利要求5所述的一种基于深度学习的无人艇环境智能感知方法，其特征在于，所述的检测解码单元(21)包括第二卷积层(211)、拼接模块(212)、第一卷积核(213)和第二卷积核(214)；

所述的第二卷积层(211)的输入端与第五池化层(106)输出端相连；所述的第二卷积层(211)的输出端分别与拼接模块(212)的输入端和第一卷积核(213)的输入端相连；所述的第一卷积核(213)的输出端与拼接模块(212)的输入端相连；所述的拼接模块(212)的输入端还与ROI-align层(3)的输出端相连；所述的拼接模块(212)的输出端与第二卷积核(214)相连；所述的第二卷积核(214)的输出信号为目标边界框的预测结果数据。

7.根据权利要求6所述的一种基于深度学习的无人艇环境智能感知方法，其特征在于，所述的第一卷积核(213)和第二卷积核(214)均为1*1卷积核。

8.根据权利要求5所述的一种基于深度学习的无人艇环境智能感知方法，其特征在于，所述的分类解码单元(22)包括依次相连的第三卷积层(221)、瓶颈层(222)和全连接层(223)；所述的第三卷积层(221)的输入端与第五池化层(106)相连；所述的全连接层的输出信号为环境分类结果数据。