[发明专利]一种基于CenterNet的轻量级水下目标检测方法

说明书

本发明提供了一种基于CenterNet的轻量级水下目标检测方法，在水下拍摄目标图像，将目标图像制作为数据集，将数据集分为训练集和测试集，并对训练集进行标注，选择ResNet18作为特征提取网络，搭建特征金字塔进行多尺度特征融合，并输出融合后图像大小最大的特征图至检测头中，使用CenterNet算法对训练集中的图像及标注的信息进行深度学习的训练，得到训练后的模型，进行目标检测，获取图像中待检测目标的分类信息和位置信息。本发明更加轻量化，适用于嵌入式设备中，目标检测精度较高，进一步提升了对水下光学图像中多尺度目标的检测精度，减少了部分所需的计算量，增加了推理速度，使算法更加轻量化、实时化。

技术领域

本发明涉及人工智能技术领域，尤其是一种水下目标检测方法。

背景技术

随着人类文明的发展，人类对海洋资源的利用越来越深入和频繁，海洋设施的种类和数量也越来越丰富。海洋设施的建设较为困难且在军事战略层面往往有着十分重要的作用，一旦被破坏则损失巨大且修复困难。这些特性使其极易成为他国及恐怖分子的破坏目标，因此保护海洋设施的安全极其重要。而海洋设施地理位置的特殊性，使得对这些设施的保护尤为困难。

水下目标检测是人类观察海洋的“眼睛”，在海洋资源开发和海洋设施的保护中有着极为重要的意义。传统的水下目标检测主要是人为的提取目标辐射噪声的特征，然后构建分类器，基于上述提取的特征对目标进行分类识别。近年来，随着人工智能在图像识别领域取得的巨大进展，深度学习在水下目标检测中的应用也受到了大量的且越来越多的研究。迄今为止，基于深度学习的算法可以分为两种，一种是two-stage检测器，如R-CNN；一种是one-stage检测器，如SSD、YOLO。one-stage检测器不使用RPN网路，直接通过主干网络给出目标的类别及位置信息，所以它们的速度更快。而在目前，无论是one-stage还是two-stage检测器，利用它们进行水下目标检测的实践都很少，而使用无锚框(anchor-free)算法的更是没有。CenterNet就是一种one-stage的无锚框的算法，它避免了设计anchor-box的复杂操作，也不需要极大值抑制(NMS)，结构也比很多anchor-free的算法简单，因此它相较于其他算法速度更快，更加具有实时性；同时对GPU的要求更低，更适合计算能力受限的嵌入式设备。该算法由两部分组成：用于提取特征的特征提取网络Hourglass和用于对目标进行定位和分类的基于中心点进行检测的检测头。然而，水下目标往往具有尺度小、分布密集的特点。而CenterNet所使用的特征提取网络Hourglass由于其特殊的嵌套结构带来的接受域过大，且网络层数较深导致小目标信息大量丢失，因而对小目标、密集目标的检测效果不佳；并且由于其结构复杂，计算量较大，推理速度缓慢，而不适宜用于轻量级算法中。目前水下光学图像目标检测存在如下不足：

1.水下目标常常小而密集，而已有的水下光学图像目标检测算法无法很好的检测此类目标。

2.已有的水下目标检测算法没有轻量级且精度较高的。本发明解决了上述两点问题。

发明内容

为了克服现有技术的不足，本发明提供一种基于CenterNet的轻量级水下目标检测方法。

本发明解决其技术问题所采用的技术方案包括如下步骤：

步骤1、在水下拍摄目标图像，制作数据集；

将待检测的目标类别放置于水下，在遥控无人潜水器(ROV)上安装摄像头，对待检测目标进行多尺度、多方位的图像拍摄，得到目标图像，将目标图像制作为数据集；

步骤2、将数据集分为训练集和测试集，并对训练集进行标注；

步骤3、选择对小目标、密集目标检测效果更好且更适合轻量级算法的ResNet18作为特征提取网络；搭建特征金字塔，分别将ResNet18中卷积通道数为128、256、512的最后一层进行多尺度特征融合，并输出融合后图像大小最大的特征图至检测头中；