一种基于轻量特征增强与语义几何解耦的声呐图像目标检测方法及系统
本发明属于水下声学图像处理与目标检测领域,具体涉及一种基于轻量特征增强与语义几何解耦的声呐图像目标检测方法及系统。
背景技术:
1、声呐成像作为一种重要的水下感知手段,具有传播距离远、受光照条件影响小、适用于浑浊水体和深海环境等特点,在水下机器人自主作业、海底设施巡检、沉船与障碍物搜索、水下安防预警以及海洋工程装备检测等任务中具有重要应用价值。智能声呐图像目标检测技术能够自动识别声呐图像中的目标类别和空间位置,为后续导航、避障、抓取、巡检和决策提供基础信息,对于提升水下智能装备的自主感知能力和作业安全性具有重要意义。
2、近年来,随着深度学习技术的发展,基于卷积神经网络和单阶段检测框架的目标检测模型逐渐被引入声呐图像目标检测领域。此类方法通常能够根据输入声呐图像输出目标类别、目标边界框和置信度,相比传统人工特征方法具有更强的特征提取能力和更高的检测效率。然而,声呐成像受到声波传播、散射、反射、海底地形、声学阴影、水体环境以及传感器分辨率等多种因素影响,普遍存在低信噪比、散斑噪声强、背景杂波复杂、局部强回波多、小目标占比高以及边界模糊等问题。在此类场景中,目标主体、声学阴影、局部亮斑和海底纹理之间的差异较弱,检测模型容易将背景高亮区域误判为目标,也容易在弱回波、小尺度或边界不完整目标上发生漏检和定位偏移。因此,现有声呐图像目标检测方法在复杂水下环境中仍面临以下问题:
3、1.弱小目标的浅层结构信息容易丢失。声呐图像中的目标通常缺少稳定颜色和丰富纹理,弱小目标往往只表现为局部亮斑、模糊轮廓和有限纹理过渡。在卷积和下采样过程中,这些细粒度结构信息容易被背景噪声和低分辨率特征淹没,导致后续检测层难以恢复稳定的目标表征,从而增加小目标漏检风险。
4、2.复杂背景容易形成伪目标响应。声呐图像中常见的海底条纹、散斑噪声、局部强回波和阴影边缘可能在高层特征中形成显著响应,使检测网络错误地将背景区域视为目标相关区域。尤其在目标与背景回波强度接近的条件下,常规检测模型难以有效区分真实目标结构与背景伪结构,进而导致误检和置信度不稳定。
5、3. 分类特征与定位特征容易发生耦合。目标检测任务同时包含类别判断和边界框回归两个子任务,其中分类分支更应关注目标主体内部的语义信息,回归分支更应关注目标边界、轮廓和几何过渡区域。现有检测头虽然通常在输出层设置分类分支和回归分支,但二者在中间特征空间中仍可能长期共享高度重合的响应区域。在声呐图像中,目标主体、边界过渡和背景强响应之间差别较弱,分类分支与回归分支更容易混用相同背景特征,导致分类依据与定位依据不清晰。
6、4. 检测结果缺乏可解释依据。现有声呐图像目标检测模型大多只输出目标类别、边界框和置信度,难以说明模型究竟依据目标主体、目标边界还是背景伪响应完成预测。虽然已有方法可以在训练后通过热力图方式进行事后可视化分析,但这类可视化结果通常不直接参与模型训练,也不一定与检测网络的前向预测路径完全一致,难以稳定反映分类决策和定位回归的真实依据。因此,仅依赖事后热力图展示,仍难以满足复杂水下任务对检测结果可信性和可分析性的需求。
技术实现思路
1、本发明的目的在于提供一种基于轻量特征增强与语义几何解耦的声呐图像目标检测方法及系统,克服了现有声呐图像检测模型在低信噪比、小目标、复杂背景和边界模糊场景下容易出现弱目标漏检、背景区域误检和边界定位不稳定的缺陷,同时解决了常规检测模型分类特征与定位特征容易混用、检测依据不清晰以及结果可解释性不足的问题。
2、本发明的目的通过如下技术方案来实现:
3、一种基于轻量特征增强与语义几何解耦的声呐图像目标检测方法,包括如下步骤:
4、步骤一:获取声呐图像及其目标标注信息,经预处理后生成训练样本,并按预设比例划分为训练集、验证集和测试集;
5、步骤二:构建声呐图像目标检测网络,包括骨干特征提取网络单元、特征融合网络单元、第一处理单元、第二处理单元、解耦检测头和常规检测头;所述骨干特征提取网络单元用于提取所述声呐图像特征;所述特征融合网络单元用于融合浅层空间信息与高层语义信息,输出多尺度检测特征,所述多尺度检测特征至少包含高分辨率特征和中高层语义特征;构建完成后,将多尺度检测特征分路送入对应单元执行后续处理步骤;
6、步骤三:将所述高分辨率特征输入所述第一处理单元,所述第一处理单元对所述高分辨率检测特征进行局部结构增强,输出增强后的高分辨率检测特征;
7、步骤四:将所述中高层语义特征输入所述第二处理单元,所述第二处理单元对所述中高层语义特征进行语义特征重标定,输出重标定后的中高层语义特征;
8、步骤五:将所述增强后的高分辨率检测特征输入所述解耦检测头,所述解耦检测头包含分类分支和回归分支,所述分类分支输出目标类别预测和分类表征响应图,所述回归分支输出边界框预测和定位表征响应图;同时,将所述重标定后的中高层语义特征输入所述常规检测头进行目标检测;
9、步骤六:根据目标真实框显式构造语义核心区域与几何边界区域,利用所述语义核心区域监督所述分类表征响应图,利用所述几何边界区域监督所述定位表征响应图,并引入分支分离约束以抑制分类证据与定位证据的空间重叠;
10、步骤七:利用所述训练集基于整体损失函数进行参数迭代更新,利用所述验证集在训练过程中进行超参数优化与收敛状态监控,直至网络训练收敛,获取最优声呐图像目标检测网络后利用所述测试集从检测精度和解耦性能两个维度对训练完成的网络进行综合评估;
11、步骤八:将待检测声呐图像输入训练完成的最优网络,输出目标类别、目标边界框、置信度、分类表征响应图和定位表征响应图。
12、进一步地,其特征在于,步骤三中所述第一处理单元为高分辨率特征增强模块fpp,对所述高分辨率检测特征进行局部结构增强,得到增强后的高分辨率检测特征:
13、
14、其中,表示降维卷积,表示深度卷积,表示批量归一化,表示激活函数,表示升维卷积,表示可学习门控系。
15、进一步地,其特征在于,步骤四中所述第二处理单元为高层语义重标定模块,对中高层语义特征进行通道维度的重要性重标定:
16、
17、其中,表示通道重标定后的特征,表示全局平均池化,和表示卷积映射,表示非线性激活函数,表示sigmoid函数,表示逐元素相乘;和表示中高层语义特征;
18、利用空间注意力权重对进行空间重标定,输出重标定后的中高层语义特征:
19、
20、其中,表示通道平均池化,表示通道最大池化,表示卷积核大小为的卷积映射,表示可学习残差系数。
21、进一步地,其特征在于,步骤五对所述分类分支进行卷积建模:
22、
23、其中,表示分类分支初始特征;
24、在所述分类分支中设置语义路由模块,得到语义路由后的分类特征:
25、
26、
27、
28、其中,和分别表示压缩卷积和恢复卷积,表示语义残差特征,表示通道门控权重,表示可学习注入系数。
29、进一步地,其特征在于,步骤五对所述回归分支分别进行卷积建模:
30、
31、其中,表示回归分支初始特征;
32、在所述回归分支中设置几何路由模块,得到几何路由后的回归特征:
33、
34、
35、
36、
37、
38、
39、
40、其中,和分别表示降维卷积和升维卷积,表示逐点卷积,表示用于计算门控权重的卷积算子,表示核大小为的深度卷积, 表示silu激活函数,表示几何残差特征,表示边缘提示图,表示几何残差强度图,表示空间边缘门控权重,表示特征图的通道维度,表示第个通道的特征响应,表示可学习注入系数。
41、进一步地,其特征在于,步骤五中所述分类分支输出类别预测结果和分类表征响应图为:
42、
43、
44、所述回归分支输出边界框预测结果和定位表征响应图为:
45、
46、
47、其中,表示目标类别预测结果,表示目标边界框预测结果,表示响应图生成权重,表示分类表征响应图,表示定位表征响应图。
48、进一步地,其特征在于,步骤六根据目标真实框为和语义收缩比例计算语义核心框为:
49、
50、将所述语义核心框投影到特征图坐标系并进行平滑处理,生成语义核心软掩码;所述几何边界区域为经过平滑处理后,得到几何边界软掩码;其中,表示真实框区域掩码,表示内缩框的区域掩码,表示几何边界区域的掩码;
51、进一步地,步骤六所述分类表征响应图和定位表征响应图经sigmoid和归一化处理后,分别得到分类证据响应图和定位证据响应图。
52、进一步地,所述步骤七中,整体损失函数为:
53、
54、其中,表示目标检测损失;、和分别表示语义核心监督、几何边界监督和分支分离监督的权重系数;
55、语义核心监督损失定义为:
56、
57、几何边界监督损失定义为:
58、
59、分支分离损失定义为:
60、
61、其中,用于引导分类分支关注目标主体内部区域,用于引导回归分支关注目标边界和几何过渡区域,用于抑制分类证据响应图与定位证据响应图在大范围空间区域内重叠。
62、进一步地,所述综合评估包括常规精度评估与内在解耦性能评估;所述常规精度评估,利用所述测试集评估包括平均精度均值、精确率和召回率的常规检测指标;所述内在解耦性能评估,提取测试集在所述网络中生成的分类表征响应图和定位表征响应图,通过本定量解释性评价机制,评估包括分类特征聚焦度cfg、分支重叠率bor、分类忠实性退化cfd、定位忠实性退化lfd的定量指标。
63、一种计算机系统,包括存储器、处理器及存储在存储器上的计算机程序,所述处理器执行所述计算机程序以实现基于轻量特征增强与语义几何解耦的声呐图像目标检测方法的步骤。
64、本发明的有益效果在于:
65、1.本发明通过高分辨率特征增强模块对弱小声呐目标的局部亮斑、边缘轮廓和纹理过渡信息进行增强,使目标在进入检测头之前保留更加稳定的浅层结构特征,从而降低低信噪比场景下弱小目标漏检的风险;
66、2.本发明通过高层语义重标定模块对中高层融合特征进行轻量化重标定,能够削弱海底条纹、散斑噪声、声学阴影边缘和局部强回波等复杂背景带来的冗余响应,使模型更加关注目标相关区域,从而降低复杂背景下的误检风险;
67、3.本发明通过语义几何解耦检测头,使分类分支和回归分支分别形成不同的特征表达路径。分类分支被引导关注目标主体内部的语义核心区域,回归分支被引导关注目标边界、轮廓和局部几何过渡区域,从而缓解常规检测模型中分类特征与定位特征长期混用、检测依据不清晰的问题;
68、4.本发明通过语义核心监督、几何边界监督和分支分离约束,将分类看主体、定位看边界、两类表征相互分离的设计目标转化为可训练的优化目标。该方式不仅从结构上分开分类分支和回归分支,还能够在训练过程中主动监督两类分支的功能分工,使结构解耦进一步转化为有效的特征解耦;
69、5.本发明能够在输出目标类别、目标边界框和置信度的同时,同步生成分类表征响应图和定位表征响应图。上述表征响应图由检测头内部的原生中间特征直接生成,并参与训练约束。因此,本发明能够为声呐图像检测结果提供更加稳定的模型决策信息,便于工程人员判断模型是否主要依据目标主体完成类别判断,是否主要依据目标边界完成定位回归,从而提高检测结果的可验证性和工程可信度。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com