[发明专利]一种黑暗条件下水面无人艇的红外岸线分割与目标检测融合方法

说明书

本发明提供的黑暗条件下水面无人艇的红外岸线分割与目标检测融合方法，先建立红外岸线分割与目标检测数据集，再建立DeeplabV3 Plus模型和YOLOv5L模型，并利用红外岸线分割与目标检测数据集对两个模型进行训练，得到训练权重，接着对训练权重下的DeeplabV3 Plus模型和YOLOv5L模型进行评估与预测，调整超参数，建立决策级对DeeplabV3 Plus模型和YOLOV5m模型进行级联的Pytorch框架网络模型，最后将Pytorch框架网络模型的权重文件转换为TensorRT框架网络模型的权重文件，迁移至无人艇上的边缘计算平台中，实现基于边缘计算平台水上目标以及可行域的识别。

技术领域

本发明涉及人工智能技术领域，尤其指一种黑暗条件下水面无人艇的红外岸线分割与目标检测融合方法。

背景技术

传统的无人艇水面感知技术主要依靠无人艇上搭载的毫米波雷达、激光雷达（LiDAR）和惯性测量单元、GPS等传感器。近年来，基于计算机视觉的感知技术发展迅速，光学图像包含更丰富的目标区域细节信息，故基于视觉的感知技术更易于对水面目标进行有效地辨别，而目前业内基于红外热成像的岸线分割研究甚少，无人艇夜间航行仍存在巨大挑战，因此研究基于红外热成像视觉图像的无人艇水上目标识别与水域环境感知与定位技术尤为重要。

发明内容

为了实现黑暗条件下无人艇对水上目标及可行域的有效识别，本发明提供一种黑暗条件下水面无人艇的红外岸线分割与目标检测融合方法。

为了解决上述技术问题，本发明采用如下技术方法：一种黑暗条件下水面无人艇的红外岸线分割与目标检测融合方法，包括：

步骤S1，数据集建立：无人艇搭载多种红外热像仪，使红外热像仪在水域场景下低空拍摄，模拟无人艇航行视角，对水面进行拍摄视频，对视频进行处理得到原始图像，使用标注工具对原始图像数据进行标注，得到红外岸线分割数据集和红外目标检测数据集，将该两个数据集均按照预定比列划分为训练集、验证集以及测试集；

步骤S2，模型建立：采用DeeplabV3 Plus模型作为岸线分割的网络模型，并采用YOLOV5m模型作为目标检测的网络模型；设置DeeplabV3 Plus模型和YOLOV5m模型的超参数，并采用基于voc2012数据集的YOLOV5m模型权重作为预训练权重进行迁移学习，随后利用红外岸线分割数据集的训练集对DeeplabV3 Plus模型进行反复训练与验证，以及利用红外目标检测数据集的训练集对YOLOV5m模型进行反复训练与验证，得到基于红外岸线分割数据集与红外目标检测数据集的训练权重；接着利用红外岸线分割数据集的测试集、验证集对该训练权重下的DeeplabV3 Plus模型进行评估与预测，以及利用红外目标检测数据集的测试集、验证集对该训练权重下的YOLOV5m模型进行评估与预测，根据评估和测试结果不断调整DeeplabV3 Plus模型和YOLOV5m模型的超参数，建立决策级对优化超参数后的DeeplabV3 Plus模型和YOLOV5m模型进行级联的Pytorch框架网络模型；将Pytorch框架网络模型的权重文件转换为TensorRT框架网络模型的权重文件，迁移至无人艇上的边缘计算平台中；

步骤S3，模型应用：将由无人艇搭载的红外热像仪实时拍摄的水域场景视频经过步骤S1所涉方法处理后得到的红外岸线分割数据和红外目标检测数据传送至边缘计算平台，由TensorRT框架网络模型进行处理，得到水上目标以及可行域的识别结果。