一种基于前视声纳图像的避碰方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115984610A(43)申请公布日2023.04.18(21)申请号202211619255.7G06T5/00(2006.01)(22)申请日2022.12.14G06N3/08(2023.01)G06N3/047(2023.01)(71)申请人宜昌测试技术研究所G06N3/0464(2023.01)地址443003湖北省宜昌市西陵区胜利三G06N3/045(2023.01)路58号(72)发明人曾盎徐从营白龙冯朝李孟霏(74)专利代理机构北京艾纬铂知识产权代理有限公司16101专利代理师杨常建(51)Int.Cl.G06V10/764(2022.01)G06V10/82(2022.01)G06V10/26(2022.01)G06T3/40(2006.01)权利要求书2页说明书5页附图1页(54)发明名称一种基于前视声纳图像的避碰方法(57)摘要本发明公开了一种基于前视声纳图像的避碰方法，该避碰方法包括以下步骤：采集前视声纳数据，并解析成声纳图像；对声纳图像进行数据处理并进行标注，将标注后的图像划分为训练集和测试集；构建前视声纳图像目标分割网络；使用前视声纳图像训练集对前视声纳图像目标分割网络进行训练，基于测试集进行测试，得到训练后的前视声纳图像目标分割网络；使用训练后的前视声纳图像目标分割网络对声纳图像进行分割得到分割后的图像，使用椭圆拟合方法对分割后的图像提取障碍物轮廓和位置信息。上述避碰方法能够实现有效避碰，解决了传统声纳避碰方法避碰效果不理想的问题。CN115984610ACN115984610A权利要求书1/2页1.一种基于前视声纳图像的避碰方法，其特征在于，包括以下步骤：步骤一，采集前视声纳数据，并解析成声纳图像；步骤二，对声纳图像进行数据处理并进行标注，将标注后的图像划分为训练集和测试集；步骤三，构建前视声纳图像目标分割网络；步骤四，使用前视声纳图像训练集对前视声纳图像目标分割网络进行训练，基于测试集进行测试，得到训练后的前视声纳图像目标分割网络；步骤五，使用训练后的前视声纳图像目标分割网络对声纳图像进行分割得到分割后的图像，使用椭圆拟合方法对分割后的图像提取障碍物轮廓和位置信息。2.如权利要求1所述的避碰方法，其特征在于，在步骤一中，采集的声纳数据为原始二维波束数据，其中：第一维为每个波束通道采样点数，第二维为波束通道数；通过坐标变换和双线性插值，将直角系下的原始二维波束数据映射成扇形声纳图像。3.如权利要求2所述的避碰方法，其特征在于，在步骤二中，数据处理采用中值滤波；对处理后的前视声纳图片采用Labelme工具进行标注，生成json格式的标注文件，并按3:1分为训练集和测试集。4.如权利要求1‑3任一项所述的避碰方法，其特征在于，步骤三包括以下具体步骤：构建特征提取网络，特征提取网络由四个下采样层组成，每个下采样层由两个3×3的卷积层和2×2的最大池化层组成，每经过一次下采样，通道数翻倍；构建图像还原网络，图像还原网络由4个上采样层组成，每个上采样层由2个3×3的卷积层、一个2×2的上采样卷积层和短连接层组成；其中，短连接层对编码器中下采样层的卷积层输出的特征图经过缩放后与上采样层的上采样卷积层输出的特征图按通道方向进行拼接；构建预测层，通过两次(3，3)的卷积核和一次2×2上采样，将预测输出特征图通道数变为期望的类别数；构建训练损失函数，采用加权的softmax函数作为损失函数，每个像素对应一个权重，使得网络注重图像边缘像素的学习，训练损失函数形式表示如E：其中，ak(x)是第k个特征通道在每个像素位置x∈Ω对应的softmax函数值，K是类别，pk(x)为最大似然函数；l：Ω→{1，...,K}为每个像素对应的真实标签，w：Ω→R为权重图。5.如权利要求4所述的避碰方法，其特征在于，在步骤四中，将前视声纳训练集和图片放在指定位置作为前视声纳图像目标分割网络的输入开始训练，待训练损失函数收敛后停止训练，在测试集上测试训练好的前视声纳图像目标分割网络的分割效果。6.如权利要求5所述的避碰方法，其特征在于，在步骤五中，使用训练后的前视声纳图像目标分割网络对新的声纳图像进行分割得到分割图，采用基于最小外包矩形的快速椭圆拟合法对分割图提取障碍物的轮廓和位置信息，先用最小二乘法获取目标障碍物最小外接2CN115984610A权利要求书2/2页矩形框，再获取其内接椭圆。3CN115984610A说明书1/5页一种基于前视声纳图像的避碰方法技术领域[0001]本发明涉及水下智能信息感知技术领域，具体涉及一种基于前视声纳图像的避碰方法。背景技术[0002]当前声纳避碰方法都是基于传统分割技术进行分割，包括阈值分割、K‑means分割、基于直方图分割、边