1.一种基于改进型深度网络的海缆目标检测方法,其特征在于:具体包括如下步骤:
步骤1、数据的采集:采集海底海缆图像,将采集的图像分为训练集、验证集和测试集;
步骤2、构建海底电缆图像网络SCINet:
SCINet模型保留了YOLOv5的整体架构,包括用于特征提取的主干网络、用于实现跨尺度特征融合的颈部网络和用于完成目标检测的预测头;
在主干网络中,经过预处理的三通道图像首先经过一个卷积核大小为4×4步距为4的卷积层,将大图像分割成小的图像块;然后经过ConvNeXt v2模块×3-下采样-ConvNeXt v2模块×3,得到第一组进入颈部网络的特征图;然后经过下采样-ConvNeXt v2模块×9,得到第二组进入颈部网络的特征图;然后再经过下采样-ConvNeXt v2模块×3,后经过快速空间金字塔池化模块SPPF,融合不同感受野的特征图,最终得到第三组进入颈部网络的特征图;
SCINet的颈部采用特征金字塔结合路径聚合网络的方式,将深层的语义信息传递到浅层,且将浅层的位置信息传递到深层特征;FPN包括一个自底向上的传播路径、一个自顶向下的传播路径和通过横向连接进行特征融合;颈部通过卷积层与C2f模块执行特征提取和转换操作,通过上采样层增加特征图的空间分辨率,使网络能够学习更细节的信息并更准确地定位对象,另外使用了连接层合并来自不同尺度或者级别的特征;将颈部输出的三组特征图分别进行一次卷积,统一输出通道数,最后一起输入4个Dyhead块堆叠的head部分;SCINet往预测头部分添加了4个堆叠的Dyhead块,颈部的三个输出要同时输入一个Dyhead块,输出三个检测头;三个检测头经卷积层卷积后,输出三中特征图;
步骤3、模型训练:将步骤一中训练集数据输入至步骤二构建的模型中进行训练,设置训练轮数,通过计算出预测框和真实框的损失,以及置信度损失,反向传播直至模型收敛;
步骤4、将任意海底电缆图像输入至经步骤3训练后的模型中,输出三种特征图,每个特征点包括三种先验框对应的:目标宽、高、中心点坐标以及置信度,经过非极大值抑制NMS以及阈值筛选后,得到最终的目标检测框。
2.如权利要求1所述的基于改进型深度网络的海缆目标检测方法,其特征在于:所述的自底向上的过程就是网络的前向传播过程,对应前面的主干网络;自顶向下的过程是从小尺寸的特征层逐个stage进行卷积、2倍上采样,然后与自底向上过程中生成的相同大小的特征层进行拼接融合,在融合之后会对每个结果进行特征表达能力的加强;路径聚合网络PANet在特征金字塔FPN的基础上又引入了一个自底向上的路径,经过自顶向下的特征融合后,再进行自底向上的特征融合,这样底层的位置信息也能够传递到深层,从而增强多个尺度上的定位能力。
3.如权利要求1所述的基于改进型深度网络的海缆目标检测方法,其特征在于:所述的将颈部输出的三组特征图分别进行一次卷积,统一输出通道数,具体为:将20×20特征图卷积、上采样后,与40×40特征图堆叠,再经过C2f模块、卷积、下采样与80×80特征图堆叠,此为特征金字塔自顶向下的过程;然后80×80特征图经过C2f模块,分成两路,一路经过卷积得到进入Dyhead模块的第一组输入;另一路经过卷积,与自顶向下过程中上采样前的40×40特征图堆叠,经过C2f模块,同样分成两路:一路卷积得到进入Dyhead模块的第二组输入;另一路卷积与主干20×20特征图堆叠,经过C2f模块、卷积的到进入Dyhead模块的第三组输入。
4.如权利要求1所述的基于改进型深度网络的海缆目标检测方法,其特征在于:所述的Dyhead块将三种注意力转换为序列形式排布,其中每个序列注意力只聚焦于其中一个模块,构造为一个嵌套注意力函数,公式描述为:W(F)=πC(πS(πL(F)·F)·F)·F;
其中W代表注意力函数,F为一个L×S×C的三维特征张量,其中L代表特征图的层级,S代表特征图的宽高乘积,C代表特征图的通道数,πL(·)、πS(·)和πc(·)分别表示尺度感知注意力模块、空间感知注意力模块以及任务感知注意力模块,每个注意力模块分别在L、S和C三个维度上执行;
三个注意力模块的计算过程分别表示为:
πC(F)·F=max(α1(F)·F&+β1(F),α((F)·F&+β((F));
其中f是一个由近似于1x1卷积运算所组成的线性函数,以实现特征降维,σ(x)是Hard-sigmoid激活函数;K为稀疏采样位置数量,Pj+ΔPj是一个由自学习空间位移量ΔPj所决定的可移动位置,以用来聚焦于一些判别位置,而Δmj是位置Pj处的一个自学习重要性标量,其两者可以通过F中间层级的输入特征进行学习;F&是第C个通道的特征切片,θ(·)是一个超函数,用来学习控制激活阈值,其实现方式与Dynamic relu相同,其中的α、β都是可学习参数,通过以上参数对不同的通道进行不同的激活以实现注意力操作;这三种注意力机制在模型中顺序应用,能共同反复堆叠多次来构成所需的DyHead块。