论文部分内容阅读
在水下环境进行勘探打捞时,潜水员只能通过声呐的成像去找寻目标的大概位置。这使经常处于复杂水下环境的潜水员在进行水下作业时承担了较大的风险。所以期望在以后利用水底机械人实现自动水底目标检测。目标检测从最开始特征提取和分类器分类检测的传统方法发展到当今卷积神经网络的应用。卷积神经网络的研究和各种算法的出现,很大程度地提高了目标检测的效率和精度,为本文的彩色成像声呐目标检测奠定了基础。相对于大众化公开的主流数据集来说,声呐的成像数据集比较稀少。本实验室开发的专利产品TKIS-I头盔式彩色图像声呐获得中国海军航行保障部认可,目前已有二十几台服务于部队并持续获得部队订货,该声呐的成像结果可以作为数据采集的工具。本文结合声呐成像的特点和基于神经网络的目标检测算法,在保证较高的检测准确率的条件下,采取了实时性良好的YOLOv3作为基础网络,并使用了双线性插值算法对声呐图像进行预处理。此外,通过目标预测框维度聚类、选取最优预测框数量、最优阂值选择、不同分辨率数据优化网络、多尺度训练、改进检测网络等方法改进YOLOv3网络,使其更好地运用于彩色图像声呐目标检测中。文章的主要内容如下:1.概述中国和外国水下探测的现局和发展,成像声呐目标检测的研究近况。2.归纳卷积神经网络的发展、运用和结构,总结YOLOv3网络特征提取层、检测层的结构和特点。分析在网络中采用激活函数与损失函数的原因,以及对比其他现有的网络模型,解释本文选用YOLOv3作为基本网络模型的理由。3.实现YOLOv3网络应用于成像声呐的图像目标检测的整个过程。其中包括配置实验环境和搭建实验平台;介绍实验室自主研发的TKIS-I头盔式彩色图像声呐的主要组成部分和成像特点;根据声呐成像的特点,将成像声呐图片做一些预处理;制作整个成像声呐目标数据集。最后作者使用原始的YOLOv3网络进行训练与检测,但发现效果很不理想,这为下章节的改进做铺垫。4.改进彩色成像声呐目标检测算法。主要从目标预测框维度聚类、最优阈值选择、不同分辨率数据优化网络、多尺度训练、改进检测层网络,这五个方面改进YOLOv3网络,使其训练出针对声呐目标检测效果理想的模型。5.评估目标检测算法在改进前与改进后的检测性能和效果。首先介绍目标检测中常用的评价指标,然后对比分析上一章每种改进方法的实验结果,最后用改进后的新网络与其他一些目标检测算法的实验结果作对比分析,得到最优的目标检测效果图。6.总结本文研究设计的图像声呐目标检测技术结果和存在的不足,提出一些以后需要探索和完善的方面。