(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210404107.7 (22)申请日 2022.04.18 (71)申请人 北京石油化工学院 地址 102617 北京市大兴区清源北路19号 (72)发明人 王芳　李慧涛　崔宁　李晶　 张立立　魏薇　 (74)专利代理 机构 西安铭泽知识产权代理事务 所(普通合伙) 61223 专利代理师 张举 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/26(2022.01) G06V 10/44(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06K 9/62(2022.01) G01S 7/539(2006.01) (54)发明名称 一种水下声呐目标检测系统及方法 (57)摘要 本发明提供了一种水下声呐目标检测系统 及方法， 属于 水下声呐目标检测领域。 划分模块、 预处理模 块、 PP‑YOLOv2模块、 训练模 块和调用模 块。 在本发明中， 利用训练模块调用滤波和分割 处理后的 图像数据对PP ‑YOLOv2模块训练直至 预 测结果与真实结果的误差损失满足阈值， 完成对 PP‑YOLOv2模块的训练； 利用调用模块将滤波和 分割处理后的待检测图像输入训练好的PP ‑ YOLOv2模块， 得到水下声呐目标检测结果。 本发 明完成了端到端一站式的定义与使用。 可以有效 加强水下声呐图像目标检测网络感知全局特征 信息的能力， 提高了目标检测网络针对水下声呐 图像的检测能力。 权利要求书4页 说明书8页 附图4页 CN 114693982 A 2022.07.01 CN 114693982 A 1.一种水 下声呐目标检测系统， 其特 征在于， 包括： 划分模块， 用于对水 下声呐的图像数据进行分类； 预处理模块， 与所述数据集划分模块连接； 用于对分类后的图像数据和水下声呐的待 检测图像进行 滤波和分割处 理； PP‑YOLOv2模块， 与所述预处理模块连接； 用于对滤波和分割处理后的图像数据和待检 测图像进行检测； 所述PP ‑YOLOv2模块包括依次连接的主干网络、 链路聚合网络、 预测网络、 误差损失网络和筛选网络， 其中， 骨干网络包括依次连接五层网络结构， 其中前四层网络结 构均为卷积网络， 第 五层网络结构包括两个注意力机制网络和一个可变形卷积网络， 所述 预测网络的预测头为 解耦检测头； 训练模块， 与所述预处理模块和 PP‑YOLOv2模块连接， 用于调用滤波和分割处理后的图 像数据对所述P P‑YOLOv2模块训练； 调用模块， 与所述预处理模块和 PP‑YOLOv2模块连接； 用于将滤波和分割处理后的待检 测图像输入训练好的P P‑YOLOv2模块， 得到水 下声呐目标检测结果。 2.根据权利要求1所述的水下声呐目标检测系统， 其特征在于， 根据下式搭建注意力 机 制网络， 式中， Q为查询， K为键， V为 值， softmax()为多分类激活函数， dk为预设参数。 3.一种水 下声呐目标检测方法， 其特 征在于， 包括以下步骤： 对水下声呐的图像数据进行分类； 对分类后的图像数据和水 下声呐的待检测图像进行 滤波和分割处 理； 对滤波和分割处理后的图像数据和待检测图像进行检测； 所述PP ‑YOLOv2模块包括依 次连接的主干网络、 链路聚合网络、 预测网络、 误差损失网络和筛选网络， 其中， 骨干网络包 括依次连接五层 网络结构， 其中前四层 网络结构均为卷积网络， 第 五层网络结构包括两个 注意力机制网络和一个可变形 卷积网络， 所述预测网络的预测头为 解耦检测头； 调用滤波和分割处 理后的图像数据对所述P P‑YOLOv2模块训练； 将滤波和分割处理后的待检测图像输入训练好的PP ‑YOLOv2模块， 得到水下声呐目标 检测结果。 4.根据权利要求3所述的水 下声呐目标检测方法， 其特 征在于， 依据下式将目标图像划分为训练数据集V(x)与测试 数据集T(x)， 式中， Sum为根数据集中数据的总数， x1为测试数据集中数据占根数据集总数的比重， x2 为训练数据集中数据占根数据集总数的比重； 利用训练数据集V(x)对P P‑YOLOv2模块进行训练； 利用测试 数据集T(x)检测P P‑YOLOv2模块的稳定性。权　利　要　求　书 1/4 页 2 CN 114693982 A 25.根据权利要求3所述的水下声呐目标检测方法， 其特征在于， 利用预处理模块对图像 进行滤波和分割处 理的步骤 包括： 依据下式对图像进行高斯滤波， 式中， A为高斯滤波 幅值， xa为图像中当前滤波点的x坐标， x0为图像的中心点的x坐标， ya为图像中当前 滤波点的y坐标， y0为图像的中心点的y坐标， σ 为高斯平 滑曲线； 依据下式对进行高斯滤波后的图像进行中值滤波， g(x,y)＝med{f(xb‑k,yb‑l),(k,l∈W)} 式中， med()函数为取中位数函数， f()为进行高斯滤波后的 图像的函数， xb为进行高斯 滤波后的图像中当前滤波点的x轴数值， yb为进行高斯滤波后的图像中当前滤波点的y轴数 值， W为二维模板， k 为x的均值， l 为y的均值； 对进行中值滤波后的图像进行双边滤波； 设定尺寸标准值， 以尺寸标准值为依据， 采用不失真的调整大小方法， 将进行双边滤波 后的图像的长边缩放到统一尺寸， 将进行双边滤波后的图像据的短边缩小至其长边对应的 倍数， 用灰度条对进行双边滤波后的图像的空 白部分进行填充， 完成进行双边滤波后的图 像的分割。 6.根据权利要求3所述的水下声呐目标检测方法， 其特征在于， 所述调用滤波和分割处 理后的图像数据对P P‑YOLOv2模块训练的步骤 包括： 利用主干网络对滤波和分割处理后的图像数据进行特征提取， 得到三种不同尺度的第 一特征图； 利用链路聚合网络利用上采样与 下采样方法， 将三种不同尺度的第 一特征图进行融合 与提取， 得到三种不同尺度的第二特 征图； 利用预测网络对三种不同尺寸的第二特 征图进行 结果预测得到最终预测结果； 利用误差损失网络根据的预测结果进行误差损失计算， 直至预测结果与真实结果的误 差损失满足阈值； 否则重复主干网络、 链路聚合网络、 预测网络的图像数据处 理步骤。 7.根据权利要求6所述的水下声呐目标检测方法， 其特征在于， 所述利用链路聚合网络 得到三种不同尺度的第二特 征图的步骤 包括： 链路聚合网络对主干网络的第 三层输出的第 一特征图经过一层下采样， 使得第 一特征 图的长宽均减半， 得到第一处 理图； 长宽均减半的第 一特征图与主干网络的第四层输出的第 一特征图进行深度层次相加， 得到第二处 理图； 链路聚合网络对第二处理图进行下采样， 得到第三处理图， 第三处理图与主干网络的 第五层输出的第一特 征图进行深度层次相加， 得到第四处 理图； 将第四处 理图作为链路聚合网络的第五层输出； 将第四处理图进行上采样后， 与第二处理图深度层次相加， 作为链路聚合网络第 四层 的输出； 将第四处理图进行上采样后， 与第一处理图深度层次相加， 作为链路聚合网络第三层权　利　要　求　书 2/4 页 3 CN 114693982 A 3