[发明专利]一种结合边界感知和语义分割的复杂场景检测方法

说明书

本发明公开了一种结合边界感知和语义分割的复杂场景检测方法，包括如下步骤：S1、创建图像的数据集；S2、对数据集中的图像数据进行预处理；S3、设计检测网络；S4、训练检测网络得到最优的收敛模型；S5、加载训练得到的最优收敛模型，将待预测图像输入预测网络中进行预测得到分割图；S6、对分割图进行后处理得到最终的水岸线。该方法解决了物体和水面反射之间的相似性造成检测失败问题，该方法可以有效检测出不同结构以及不同光照条件下的水岸线，同时具有较高检测速度。

技术领域

本发明涉及视觉图像处理技术领域，具体指一种结合边界感知和语义分割的复杂场景检测方法。

背景技术

无人船是一种无需遥控，借助自身传感即可按照预设任务在水面航行的自动水面机器人，其执行危险和耗时任务的能力日益突出。来自商业界、科学界和环境界的大量需求，研究人员加速了无人船应用的发展，如水文测量和制图、水质监测、漂浮废物清除和水上搜救行动等。内陆河流的水岸线相当于海面环境所检测的海天线，具有重要意义。

近年来，随着机器学习理论和计算机设备的发展，各种基于机器学习的方法被提出用于无人船的环境感知。然而现有的无人船视觉研究大都基于海洋环境，与沿海和海洋无人船相比，内河环境中的无人船与人类生活的关系更为密切，具有巨大的潜在价值。

然而相比海洋而言，内河环境更加复杂，河岸树木草丛、建筑的阴影会覆盖水面，导致水面的亮度值将显著降低，亮度分布不均匀必然会降低分割的精度。因此，沿海和海洋无人船无法直接运用至内河的水岸线检测。另外，内河的水岸线检测与海洋海天线检测任务不同，河岸上的物体和水面反射之间的相似性使得很难准确检测水域边界。内河环境的复杂性使得很难建立一个可靠的水岸线检测网络。此外，现有方法很难部署在无人船上实时运行。综上，亟需一种结合边界感知和语义分割的复杂场景检测方法。

发明内容

本发明针对现有技术的不足，提出一种结合边界感知和语义分割的复杂场景检测方法，该方法解决了物体和水面反射之间的相似性造成检测失败问题，该方法可以有效检测出不同结构以及不同光照条件下的水岸线，同时具有较高检测速度。

为了解决上述技术问题，本发明的技术方案为：

一种结合边界感知和语义分割的复杂场景检测方法，包括如下步骤：

S1、创建图像的数据集；

S2、对数据集中的图像数据进行预处理；

S3、构建检测网络，所述检测网络采用双流式结构，由pytorch框架搭建深度神经网络结构，所述检测网络包括编码器网络、解码器网络和边界感知网络，

编码器网络用于对特征进行提取，编码器网络采用预训练的ResNet-18网络，可以快速对特征信息进行下采样，以获得大的感受野，采用4个卷积块对图像进行下采样，每次下采样得到不同尺度的特征图，

边界感知网络用于关注水域边界，丢弃大量冗余信息，边界感知网络通过边界卷积，来促进语义信息转换到边界信息，

解码器网络将不同尺寸的特征与边界信息融合，提出的基于全局平均池和最大池操作，并将其细化为最后分割结果；

S4、训练检测网络得到最优的收敛模型

S4-1、设计双损失函数

所述双损失函数中语义损失采用标准交叉熵，边界损失采用二元交叉熵和骰子损失联合优化边界学习，表达式如下：

L_boundary(p_d,g_d)＝λ₁L_dice(p_d,g_d)+λ₁L_bce(p_d,g_d)