CN113255660A - 一种基于实例分割框架的海洋底质自动识别方法及装置 - Google Patents
一种基于实例分割框架的海洋底质自动识别方法及装置 Download PDFInfo
- Publication number
- CN113255660A CN113255660A CN202110292957.8A CN202110292957A CN113255660A CN 113255660 A CN113255660 A CN 113255660A CN 202110292957 A CN202110292957 A CN 202110292957A CN 113255660 A CN113255660 A CN 113255660A
- Authority
- CN
- China
- Prior art keywords
- marine
- roi
- image
- substrate
- detection frame
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000011218 segmentation Effects 0.000 title claims abstract description 21
- 239000000463 material Substances 0.000 title description 3
- 239000000758 substrate Substances 0.000 claims abstract description 104
- 239000013049 sediment Substances 0.000 claims abstract description 41
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 22
- 230000002776 aggregation Effects 0.000 claims abstract description 19
- 238000004220 aggregation Methods 0.000 claims abstract description 19
- 238000001514 detection method Methods 0.000 claims description 58
- 238000010586 diagram Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 8
- 230000004807 localization Effects 0.000 claims description 4
- 238000012876 topography Methods 0.000 description 8
- 238000011160 research Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 4
- 230000003252 repetitive effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及计算机视觉领域，特别涉及一种基于实例分割框架的海洋底质自动识别方法及装置，一种基于实例分割框架的海洋底质自动识别方法包括：一种获取待识别的海洋底质图像；通过海洋底质识别模型，对所述海洋底质图像进行识别，得到所述海洋底质图像的识别结果；其中，所述海洋底质识别模型包括卷积神经网络、区域提议网络RPN、区域特征聚集算法模块ROI Align、全连接层以及全卷积网络，所述全连接层包括分类模块以及定位模块。采用本发明，可以提高海洋底质图像识别的效率。
Description
技术领域
本发明涉及计算机视觉领域，特别涉及一种基于实例分割框架的海洋底质自动识别方法及装置。
背景技术
为了更好地了解海洋，更有效地勘探和开发海洋资源，全面地了解海底地形地貌是必不可少的，而如何自动有效地获取海洋地形地貌信息，并识别出不同的海洋底质类型，成了目前海洋资源开发、海上作业环境信息保障的重要问题。获取海洋地形地貌信息是进行海洋开发、海洋测绘、海洋物理探测、水下救援、航行安全研究、海洋军事工程实施等工作的基础，对我国的国民经济发展和国家安全建设都具有重要的意义和价值。海底底质识别是海洋空间规划、海洋工程勘察、海洋生态环境测量和水下通信等领域的重要研究课题。
目前，收集海洋底质信息的侧扫声呐***是海底测绘中最常用的方法之一。它也被称为“旁侧声呐”或者“海底地貌仪”，它的高探测效率和高分辨率的特点使得它在探测海底地形地貌方面具有独特的优势。作为一种主动声呐，它利用声波在海底的反向散射后的回波来获取海底的地形地貌信息，并构建海底地形地貌信息图像。
侧扫声呐***向水中发送声波信号，然后从海底收集返回的信号。所得到的物体的凹凸、硬、软等特性可以通过回波信号得到反映，从而进一步重建海底地形图像。通常可以根据经验通过人工操作从声学图像中区分海洋底质的类型。然而，对于包括许多类型的海洋底质的大区域，人工识别耗时长、易疏漏，识别的效率较低。
发明内容
本发明实施例提供了一种基于实例分割框架的海洋底质自动识别方法及装置，可以提高海洋底质图像的识别效率。所述技术方案如下：
一方面，提供了一种基于实例分割框架的海洋底质自动识别方法，该方法应用于电子设备，该方法包括：
获取待识别的海洋底质图像；
通过海洋底质识别模型，对所述海洋底质图像进行识别，得到所述海洋底质图像的识别结果；
其中，所述海洋底质识别模型包括卷积神经网络、区域提议网络RPN、区域特征聚集算法模块ROI Align、全连接层以及全卷积网络，所述全连接层包括分类模块以及定位模块。
可选地，所述通过海洋底质识别模型，对所述海洋底质图像进行识别，得到所述海洋底质图像的识别结果，包括：
通过卷积神经网络，提取所述海洋底质图像的海洋底质特征并生成特征图；
通过RPN，在所述特征图上，确定感兴趣区域ROI的位置，并生成检测框；
通过ROI Align，在所述特征图上，确定每个ROI对应的特征；
通过全连接层的分类模块，对每个检测框内的海洋底质区域图像进行分类，得到每个检测框的类别标签；
通过全连接层的定位模块，对所述检测框的位置进行修正，得到检测框的坐标信息；
通过全卷积网络，基于检测框的位置以及检测框的类别标签，对所述海洋底质图像进行分割。
可选地，所述通过RPN，在所述特征图上，确定感兴趣区域ROI的位置，包括：
在所述特征图上，通过RPN确定某个区域包含目标对象的概率，其中，所述目标对象为所述海洋底质图像待识别出的区域图像；
当确定出的概率大于或等于预设概率值时，将所述概率对应的区域确定为ROI，并将所述概率对应的区域的位置确定为ROI的位置。
可选地，所述通过ROI Align，在所述特征图上，确定每个ROI对应的特征，包括：
通过区域特征聚集算法ROI Align，根据检测框采用双线性插值方法，在所述特征图上确定每个ROI对应的特征。
可选地，所述通过全卷积网络，基于ROI的位置以及ROI的类别标签，对所述海洋底质图像进行分割，包括：
通过卷积神经网络的特征映射的全卷积网络，将目标对象的区域像素采用1表示，将目标对象之外的区域像素采用0表示。
一方面，提供了一种基于实例分割框架的海洋底质自动识别装置，该装置应用于电子设备，该装置包括：
获取单元，用于获取待识别的海洋底质图像；
识别单元，用于通过海洋底质识别模型，对所述海洋底质图像进行识别，得到所述海洋底质图像的识别结果；
其中，所述海洋底质识别模型包括卷积神经网络、区域提议网络RPN、区域特征聚集算法模块ROI Align、全连接层以及全卷积网络，所述全连接层包括分类模块以及定位模块。
可选地，所述识别单元，用于：
通过卷积神经网络，提取所述海洋底质图像的海洋底质特征并生成特征图；
通过RPN，在所述特征图上，确定感兴趣区域ROI的位置，并生成检测框；
通过ROI Align，在所述特征图上，确定每个ROI对应的特征；
通过全连接层的分类模块，对每个检测框内的海洋底质区域图像进行分类，得到每个检测框的类别标签；
通过全连接层的定位模块，对所述检测框的位置进行修正，得到检测框的坐标信息；
通过全卷积网络，基于检测框的位置以及检测框的类别标签，对所述海洋底质图像进行分割。
可选地，所述识别单元，用于：
在所述特征图上，通过RPN确定某个区域包含目标对象的概率，其中，所述目标对象为所述海洋底质图像待识别出的区域图像；
当确定出的概率大于或等于预设概率值时，将所述概率对应的区域确定为ROI，并将所述概率对应的区域的位置确定为ROI的位置。
可选地，所述识别单元，用于：
通过区域特征聚集算法ROI Align，根据检测框采用双线性插值装置，在所述特征图上确定每个ROI对应的特征。
可选地，所述识别单元，用于：
通过卷积神经网络的特征映射的全卷积网络，将目标对象的区域像素采用1表示，将目标对象之外的区域像素采用0表示。
本发明的上述技术方案的至少具有如下有益效果：
本发明中，通过海洋底质识别模型的卷积神经网络、区域提议网络RPN、区域特征聚集算法模块ROI Align、全连接层以及全卷积网络，全连接层包括分类模块以及定位模块，对输入的待识别的海洋底质图像进行自动识别。这样，可以让研究人员不再从事大量枯燥乏味重复性工作，让他们可以从事更有创新性、更加复杂、更有挑战性的工作。另一方面，可以提升效率，加快研究进度，高准确率的机器识别方法甚至能弥补人工标注时容易忽略小型底质或者不明显的底质的缺点，提高识别的效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于实例分割框架的海洋底质自动识别方法的流程图；
图2是本发明实施例提供的一种基于实例分割框架的海洋底质自动识别方法的流程图；
图3是本发明实施例提供的一种基于实例分割框架的海洋底质自动识别的装置示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
本发明实施例提供了一种基于实例分割框架的海洋底质自动识别方法，该方法可以由电子设备实现，电子设备可以是终端或者服务器，终端或者服务器需要预先存储有海洋底质识别模型。如图1所示，具体如下步骤所示：
步骤101、获取待识别的海洋底质图像。
步骤102、通过海洋底质识别模型，对海洋底质图像进行识别，得到海洋底质图像的识别结果。
其中，该海洋底质识别模型包括卷积神经网络、区域提议网络RPN、区域特征聚集算法模块ROI Align、全连接层以及全卷积网络，全连接层包括分类模块以及定位模块。
一种可行的实施方式中，将待识别的海洋底质图像输入到海洋底质识别模型中，该模型输出的即为该海洋底质图像分割出目标对象的图像。
可选地，通过海洋底质识别模型，对海洋底质图像进行识别，得到海洋底质图像的识别结果，包括：
通过卷积神经网络，提取海洋底质图像的海洋底质特征并生成特征图。
通过RPN，在特征图上，确定感兴趣区域ROI的位置，并生成检测框。
通过ROI Align，在特征图上，确定每个ROI对应的特征。
通过全连接层的分类模块，对每个检测框内的海洋底质区域图像进行分类，得到每个检测框的类别标签。
通过全连接层的定位模块，对检测框的位置进行修正，得到检测框的坐标信息。
通过全卷积网络，基于检测框的位置以及检测框的类别标签，对海洋底质图像进行分割。
可选地，通过RPN，在特征图上，确定感兴趣区域ROI的位置，包括：
在特征图上，通过RPN确定某个区域包含目标对象的概率，其中，目标对象为海洋底质图像待识别出的区域图像。
当确定出的概率大于或等于预设概率值时，将概率对应的区域确定为ROI，并将概率对应的区域的位置确定为ROI的位置。
可选地，通过ROI Align，在特征图上，确定每个ROI对应的特征，包括：
通过区域特征聚集算法ROI Align，根据检测框采用双线性插值方法，在特征图上确定每个ROI对应的特征。
可选地，通过全卷积网络，基于ROI的位置以及ROI的类别标签，对海洋底质图像进行分割，包括：
通过卷积神经网络的特征映射的全卷积网络，将目标对象的区域像素采用1表示，将目标对象之外的区域像素采用0表示。
本发明中，通过海洋底质识别模型的卷积神经网络、区域提议网络RPN、区域特征聚集算法模块ROI Align、全连接层以及全卷积网络，全连接层包括分类模块以及定位模块，对输入的待识别的海洋底质图像进行自动识别。这样，可以让研究人员不再从事大量枯燥乏味重复性工作，让他们可以从事更有创新性、更加复杂、更有挑战性的工作。另一方面，可以提升效率，加快研究进度，高准确率的机器识别方法甚至能弥补人工标注时容易忽略小型底质或者不明显的底质的缺点，提高识别的效率。
本发明实施例提供了一种基于实例分割框架的海洋底质自动识别方法，该方法可以由电子设备实现，电子设备可以是终端或者服务器，终端或者服务器需要预先存储有海洋底质识别模型。如图2所示，具体如下步骤所示：
步骤201、获取待识别的海洋底质图像。
一种可行的实施方式中，本实施例中的海洋底质图像通常为侧扫声呐***向水中发送声波信号、然后通过海底收集返回的信号重建的海底地形图像，当然，待识别的海洋底质图像也可以是其他方式拍摄的图像，本申请对此不做限定。
获取到待识别的海洋底质图像后，通常需要对该海洋底质图像进行预处理，预处理的目的是将海洋底质图像处理成预设格式的图像，方便输入到海洋底质识别模型中进行识别同时减少模型的计算量，预处理的方法通常包括调整海洋底质图像的位深度、通道数、像素等步骤，使得预处理后的海洋底质图像的位深度、通道数、像素均符合预设格式，例如将海洋底质图像预处理为8位、单通道、大小为2N×2N-1像素的图片，其中，N的取值为大于等于6且小于等于9的正整数。
步骤202、通过卷积神经网络，提取海洋底质图像的海洋底质特征并生成特征图。
其中，卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络，通常包括输入层、卷积层、池化层、全连接层以及输出层。
一种可行的实施方式，将预处理后的海洋底质图像输入到海洋底质识别模型中，海洋底质识别模型的卷积神经网络提取海洋底质图像的海洋底质特征，卷积神经网络输出海洋底质图像的特征图，并将特征图输入RPN中。
步骤203、通过RPN，在特征图上，确定感兴趣区域ROI的位置，并生成检测框。
其中，RPN(Region Proposal Network，区域提议网络)其本质是基于滑窗的无类别object检测器，输入是任意尺度的图像，输出是一系列矩形候选区域。
一种可行的实施方式中，将特征图输入RPN后，RPN会逐一选取特征图上的区域，通过RPN确定每个区域包含目标对象的概率，其中，目标对象为海洋底质图像待识别出的区域图像。
当确定出某个区域的概率大于或等于预设概率值时，说明该区域有可能包括目标对象，将此概率对应的区域确定为ROI，并将概率对应的区域的位置确定为ROI的位置。ROI将特征图以及检测框的位置信息输入到ROI Align中。
步骤204、通过ROI Align，在特征图上，确定每个ROI对应的特征。
一种可行的实施方式中，ROI Align是一种区域特征聚集的算法，旨在取消量化操作，使用双线性内插的方法获得坐标为浮点数的像素点上的图像数值，从而将整个特征聚集过程转化为一个连续的操作，进而在特征图上确定每个ROI对应的特征。
步骤205、通过全连接层的分类模块，对每个检测框内的海洋底质区域图像进行分类，得到每个检测框的类别标签。
一种可行的实施方式中，将ROI的特征输入到全连接层中，全连接层的分类模块对ROI进行分类，得到其对应的类别标签。
步骤206、通过全连接层的定位模块，对检测框的位置进行修正，得到检测框的坐标信息。
一种可行的实施方式中，定位模块采用全连接层对目标框进行第二次修正以达到更准确地对目标定位的目的，定位模块的输出是检测框的坐标信息。
步骤207、通过全卷积网络，基于检测框的位置以及检测框的类别标签，对海洋底质图像进行分割。
一种可行的实施方式中，通过卷积神经网络的特征映射的全卷积网络，掩码分支采用卷积神经网络的特征映射的全卷积网络，它的输出是二进制掩码矩阵，该二掩码可以用来表示给定像素是否是目标对象的一部分，属于目标对象的像素的所有位置都用1表示，其他位置用0表示，实现了像素界别的图像分割。最后，海洋底质识别模型输出识别后的海洋底质图像。
本发明中，通过海洋底质识别模型的卷积神经网络、区域提议网络RPN、区域特征聚集算法模块ROI Align、全连接层以及全卷积网络，全连接层包括分类模块以及定位模块，对输入的待识别的海洋底质图像进行自动识别。这样，可以让研究人员不再从事大量枯燥乏味重复性工作，让他们可以从事更有创新性、更加复杂、更有挑战性的工作。另一方面，可以提升效率，加快研究进度，高准确率的机器识别方法甚至能弥补人工标注时容易忽略小型底质或者不明显的底质的缺点，提高识别的效率。
图3是根据一示例性实施例示出的一种基于实例分割框架的海洋底质自动识别装置框图。该装置包括获取单元310以及识别单元320。
获取单元310，用于获取待识别的海洋底质图像。
识别单元320，用于通过海洋底质识别模型，对所述海洋底质图像进行识别，得到所述海洋底质图像的识别结果。
其中，所述海洋底质识别模型包括卷积神经网络、区域提议网络RPN、区域特征聚集算法模块ROI Align、全连接层以及全卷积网络，所述全连接层包括分类模块以及定位模块。
可选地，所述识别单元320，用于：
通过卷积神经网络，提取所述海洋底质图像的海洋底质特征并生成特征图。
通过RPN，在所述特征图上，确定感兴趣区域ROI的位置，并生成检测框。
通过ROI Align，在所述特征图上，确定每个ROI对应的特征。
通过全连接层的分类模块，对每个检测框内的海洋底质区域图像进行分类，得到每个检测框的类别标签。
通过全连接层的定位模块，对所述检测框的位置进行修正，得到检测框的坐标信息。
通过全卷积网络，基于检测框的位置以及检测框的类别标签，对所述海洋底质图像进行分割。
可选地，所述识别单元320，用于：
在所述特征图上，通过RPN确定某个区域包含目标对象的概率，其中，所述目标对象为所述海洋底质图像待识别出的区域图像。
当确定出的概率大于或等于预设概率值时，将所述概率对应的区域确定为ROI，并将所述概率对应的区域的位置确定为ROI的位置。
可选地，所述识别单元320，用于：
通过区域特征聚集算法ROI Align，根据检测框采用双线性插值装置，在所述特征图上确定每个ROI对应的特征。
可选地，所述识别单元320，用于：
通过卷积神经网络的特征映射的全卷积网络，将目标对象的区域像素采用1表示，将目标对象之外的区域像素采用0表示。
本发明中，通过海洋底质识别模型的卷积神经网络、区域提议网络RPN、区域特征聚集算法模块ROI Align、全连接层以及全卷积网络，全连接层包括分类模块以及定位模块，对输入的待识别的海洋底质图像进行自动识别。这样，可以让研究人员不再从事大量枯燥乏味重复性工作，让他们可以从事更有创新性、更加复杂、更有挑战性的工作。另一方面，可以提升效率，加快研究进度，高准确率的机器识别方法甚至能弥补人工标注时容易忽略小型底质或者不明显的底质的缺点，提高识别的效率。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于实例分割框架的海洋底质自动识别方法，其特征在于，所述方法包括：
获取待识别的海洋底质图像；
通过海洋底质识别模型，对所述海洋底质图像进行识别，得到所述海洋底质图像的识别结果；
其中，所述海洋底质识别模型包括卷积神经网络、区域提议网络RPN、区域特征聚集算法模块ROI Align、全连接层以及全卷积网络，所述全连接层包括分类模块以及定位模块。
2.根据权利要求1所述的基于实例分割框架的海洋底质自动识别方法，其特征在于，所述通过海洋底质识别模型，对所述海洋底质图像进行识别，得到所述海洋底质图像的识别结果，包括：
通过卷积神经网络，提取所述海洋底质图像的海洋底质特征并生成特征图；
通过RPN，在所述特征图上，确定感兴趣区域ROI的位置，并生成检测框；
通过ROIAlign，在所述特征图上，确定每个ROI对应的特征；
通过全连接层的分类模块，对每个检测框内的海洋底质区域图像进行分类，得到每个检测框的类别标签；
通过全连接层的定位模块，对所述检测框的位置进行修正，得到检测框的坐标信息；
通过全卷积网络，基于检测框的位置以及检测框的类别标签，对所述海洋底质图像进行分割。
3.根据权利要求2所述的基于实例分割框架的海洋底质自动识别方法，其特征在于，所述通过RPN，在所述特征图上，确定感兴趣区域ROI的位置，包括：
在所述特征图上，通过RPN确定某个区域包含目标对象的概率，其中，所述目标对象为所述海洋底质图像待识别出的区域图像；
当确定出的概率大于或等于预设概率值时，将所述概率对应的区域确定为ROI，并将所述概率对应的区域的位置确定为ROI的位置。
4.根据权利要求2所述的基于实例分割框架的海洋底质自动识别方法，其特征在于，所述通过ROIAlign，在所述特征图上，确定每个ROI对应的特征，包括：
通过区域特征聚集算法ROI Align，根据检测框采用双线性插值方法，在所述特征图上确定每个ROI对应的特征。
5.根据权利要求2所述的基于实例分割框架的海洋底质自动识别方法，其特征在于，所述通过全卷积网络，基于ROI的位置以及ROI的类别标签，对所述海洋底质图像进行分割，包括：
通过卷积神经网络的特征映射的全卷积网络，将目标对象的区域像素采用1表示，将目标对象之外的区域像素采用0表示。
6.一种基于实例分割框架的海洋底质自动识别装置，其特征在于，所述装置包括：
获取单元，用于获取待识别的海洋底质图像；
识别单元，用于通过海洋底质识别模型，对所述海洋底质图像进行识别，得到所述海洋底质图像的识别结果；
其中，所述海洋底质识别模型包括卷积神经网络、区域提议网络RPN、区域特征聚集算法模块ROI Align、全连接层以及全卷积网络，所述全连接层包括分类模块以及定位模块。
7.根据权利要求6所述的基于实例分割框架的海洋底质自动识别装置，其特征在于，所述识别单元，用于：
通过卷积神经网络，提取所述海洋底质图像的海洋底质特征并生成特征图；
通过RPN，在所述特征图上，确定感兴趣区域ROI的位置，并生成检测框；
通过ROIAlign，在所述特征图上，确定每个ROI对应的特征；
通过全连接层的分类模块，对每个检测框内的海洋底质区域图像进行分类，得到每个检测框的类别标签；
通过全连接层的定位模块，对所述检测框的位置进行修正，得到检测框的坐标信息；
通过全卷积网络，基于检测框的位置以及检测框的类别标签，对所述海洋底质图像进行分割。
8.根据权利要求6所述的基于实例分割框架的海洋底质自动识别装置，其特征在于，所述识别单元，用于：
在所述特征图上，通过RPN确定某个区域包含目标对象的概率，其中，所述目标对象为所述海洋底质图像待识别出的区域图像；
当确定出的概率大于或等于预设概率值时，将所述概率对应的区域确定为ROI，并将所述概率对应的区域的位置确定为ROI的位置。
9.根据权利要求6所述的基于实例分割框架的海洋底质自动识别装置，其特征在于，所述识别单元，用于：
通过区域特征聚集算法ROI Align，根据检测框采用双线性插值装置，在所述特征图上确定每个ROI对应的特征。
10.根据权利要求6所述的基于实例分割框架的海洋底质自动识别装置，其特征在于，所述识别单元，用于：
通过卷积神经网络的特征映射的全卷积网络，将目标对象的区域像素采用1表示，将目标对象之外的区域像素采用0表示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110292957.8A CN113255660A (zh) | 2021-03-18 | 2021-03-18 | 一种基于实例分割框架的海洋底质自动识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110292957.8A CN113255660A (zh) | 2021-03-18 | 2021-03-18 | 一种基于实例分割框架的海洋底质自动识别方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113255660A true CN113255660A (zh) | 2021-08-13 |
Family
ID=77181477
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110292957.8A Pending CN113255660A (zh) | 2021-03-18 | 2021-03-18 | 一种基于实例分割框架的海洋底质自动识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113255660A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107239803A (zh) * | 2017-07-21 | 2017-10-10 | 国家***第海洋研究所 | 利用深度学习神经网络的海底底质自动分类方法 |
| CN109086824A (zh) * | 2018-08-01 | 2018-12-25 | 哈尔滨工程大学 | 一种基于卷积神经网络的海底底质声呐图像分类方法 |
| CN109989585A (zh) * | 2019-03-18 | 2019-07-09 | 东南大学 | 一种3d打印机打印精度的实时反馈控制方法 |
| RU2733823C1 (ru) * | 2019-12-17 | 2020-10-07 | Акционерное общество "Российская корпорация ракетно-космического приборостроения и информационных систем" (АО "Российские космические системы") | Система сегментации изображений участков недропользования открытого типа |
| CN112149755A (zh) * | 2020-10-12 | 2020-12-29 | 自然资源部第二海洋研究所 | 基于深度学习的小样本海底水声图像底质分类方法 |
-
2021
- 2021-03-18 CN CN202110292957.8A patent/CN113255660A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107239803A (zh) * | 2017-07-21 | 2017-10-10 | 国家***第海洋研究所 | 利用深度学习神经网络的海底底质自动分类方法 |
| CN109086824A (zh) * | 2018-08-01 | 2018-12-25 | 哈尔滨工程大学 | 一种基于卷积神经网络的海底底质声呐图像分类方法 |
| CN109989585A (zh) * | 2019-03-18 | 2019-07-09 | 东南大学 | 一种3d打印机打印精度的实时反馈控制方法 |
| RU2733823C1 (ru) * | 2019-12-17 | 2020-10-07 | Акционерное общество "Российская корпорация ракетно-космического приборостроения и информационных систем" (АО "Российские космические системы") | Система сегментации изображений участков недропользования открытого типа |
| CN112149755A (zh) * | 2020-10-12 | 2020-12-29 | 自然资源部第二海洋研究所 | 基于深度学习的小样本海底水声图像底质分类方法 |
Non-Patent Citations (2)
| Title |
|---|
| KAIMING HE等: "Mask R-CNN", 《2017 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION》 * |
| 陈璇等: "基于Mask R-CNN的满文文档版面分析", 《大连民族大学学报》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111028154B (zh) | 一种地形崎岖不平海底的侧扫声呐图像匹配拼接方法 | |
| CN101915910B (zh) | 利用航海雷达识别海上溢油目标的方法及*** | |
| CN112526490B (zh) | 一种基于计算机视觉的水下小目标声呐探测***与方法 | |
| CN110751077B (zh) | 一种基于部件匹配与距离约束的光学遥感图片船舶检测方法 | |
| CN114898213B (zh) | 基于ais知识辅助的遥感图像旋转舰船目标检测方法 | |
| CN113627299B (zh) | 一种基于深度学习的导线漂浮物智能识别方法及装置 | |
| CN109165603B (zh) | 一种舰船检测方法及装置 | |
| CN114821229B (zh) | 基于条件生成对抗网络的水下声学数据集增广方法及*** | |
| CN114463620A (zh) | 基于YOLOv5的侧扫声呐海洋底质识别方法及装置 | |
| CN114066795A (zh) | Df-sas高低频声呐图像精细配准融合方法 | |
| CN113805178A (zh) | 一种水面静态碍航物探测方法 | |
| CN117593601A (zh) | 一种基于深度学习的水尺验潮方法 | |
| CN116990824A (zh) | 集群侧扫***的图形地理信息编码和融合方法 | |
| CN113255660A (zh) | 一种基于实例分割框架的海洋底质自动识别方法及装置 | |
| CN116735463A (zh) | 一种基于有向目标检测的硅藻尺寸自动测量方法 | |
| CN113554123B (zh) | 一种基于声光联动的采砂船自动识别方法 | |
| CN116343078A (zh) | 基于视频sar的目标跟踪方法、***及设备 | |
| CN116152649A (zh) | 一种基于改进YOLOv4的声纳目标检测方法及装置 | |
| CN113326749B (zh) | 目标检测方法、装置以及存储介质、电子设备 | |
| CN114155428A (zh) | 基于Yolo-v3算法的水下声呐侧扫图像小目标检测方法 | |
| CN108229402A (zh) | 基于声波的事件检测***及检测方法 | |
| CN111950549B (zh) | 一种基于海天线与视觉显著性融合的海面障碍物检测方法 | |
| CN114202587A (zh) | 基于船载单目相机的视觉特征提取方法 | |
| CN112396556A (zh) | 低空机载Lidar地形快速精准信息化的数据记录装置 | |
| CN111951242A (zh) | 基于多波束测深声纳的气体泄露检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210813 |