(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 202211310284.5 (22)申请日 2022.10.25 (71)申请人 先进操作系统创新中心 （天津） 有限 公司 地址 300450 天津市滨 海新区塘沽海 洋科 技园信安创业广场1号楼412室 (72)发明人 韩福海　魏越　刘丽欣　王文成　 张要辉　 (74)专利代理 机构 北京汇智英财专利代理有限 公司 11301 专利代理师 何佳 (51)Int.Cl. G06V 20/05(2022.01) G06V 10/40(2022.01) G06V 10/74(2022.01)G06V 10/774(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于声呐图像的AI水下目标检测与定位方 法 (57)摘要 本发明涉及基于声呐图像的AI水下目标检 测与定位方法， 包括如下步骤： 对水下目标进行 声呐图像数据采集、 数据预处理及数据增强， 为 后续训练测试做准备； 对水下目标检测进行训练 测试； 基于SLA M算法对水下环境进行同步建图并 对目标设备进行定位。 本发明基于深度学习在水 下目标检测识别的成功应用， 能够将目标从复杂 的海洋环 境背景中准确分割出来， 此方向必将引 领水下目标识别领域的技术突破； 同时， 深度学 习在水下SLAM中的成功 应用， 也将使自主水下机 器人能够更准确地理解所处作业区域的外部环 境， 从而提升水 下作业的自动化水平。 权利要求书1页 说明书6页 附图9页 CN 115496997 A 2022.12.20 CN 115496997 A 1.基于声呐图像的AI水 下目标检测与定位方法， 其特 征在于， 包括如下步骤： 步骤S1： 对水下目标进行声呐图像数据采集、 数据预处理及数据增强， 为后续训练测试 做准备； 步骤S2： 对水 下目标检测进行训练测试； 步骤S3： 基于SLAM算法对水 下环境进行同步建图并对目标设备进行定位。 2.如权利要求1所述的基于声呐图像的AI水下目标检测与定位方法， 其特征在于： 所述 步骤S2包括： 步骤S21： 基于目标检测网络， 修改网络模型， 对步骤S1处理后的声呐图像进行AI学习 训练； 步骤S22： 对水下目标声呐图像通过基于深度学习的目标检测方法进行测试。 3.如权利要求2所述的基于声呐图像的AI水下目标检测与定位方法， 其特征在于： 采用 yolov5网络对步骤S1处 理后的声呐图像进行AI学习训练。 4.如权利要求3所述的基于声呐图像的AI水下目标检测与定位方法， 其特征在于： 采用 yolov5网络对步骤S1处 理后的声呐图像进行AI学习训练包括： 步骤S211： 加载预训练的yolov5网络， 冻结特征提取层， 修改网络输出层， 将针对可见 光图像的80分类调整为针对声呐图像的单一目标； 步骤S212： 进行迁移训练学习， 待准确率达到预期值后， 解冻特征提取层， 进行网络微 调； 步骤S213： 减小特征提取层维度， 将输出结果与步骤S212训练好的模型结果进行损失 计算， 完成网络蒸馏。 5.如权利要求1所述的基于声呐图像的AI水下目标检测与定位方法， 其特征在于： 所述 步骤S3中， 采用ORB ‑SLAM3架构提供的算法对水下环境进行同步建图并对目标设备进行定 位， 同时， 基于SuperPo int与SuperGlue进行声呐图像特 征提取与匹配训练。 6.如权利要求5所述的基于声呐图像的AI水下目标检测与定位方法， 其特征在于： 所述 步骤S3包括： 步骤S31： 基于SuperPoint网络对经步骤S2处理后的水下目标声呐图像集进行AI学习 训练， 提取 特征点和描述子； 步骤S32： 基于Sup erGlue模型， 基于所提取到的特征点和描述子， 对声呐图像进行定位 与建图。 7.如权利要求6所述的基于声呐图像的AI水下目标检测与定位方法， 其特征在于： 所述 步骤S31包括： 步骤S311： 针对采集的声呐图像数据集， 使用预训练好的BaseDetector网络提取角点； 步骤S312： 对所采集的声呐图像数据集进行几何变换得到新的图片， 得到已知位姿关 系图片对； 步骤S313： 加载预训练模型SuperPoint和参数， 把经过几何变换的图片的变换前的图 片输入网络， 提取特征点和描述子， 根据所提取的特征点和描述子， 结合步骤S 311所获取的 网络提取角点， 进行迁移学习。权　利　要　求　书 1/1 页 2 CN 115496997 A 2基于声呐图像的AI水下目标 检测与定位方 法 技术领域 [0001]本发明涉及 基于SLAM算法的水下目标定位技术领域， 具体涉及基于声呐图像的AI 水下目标检测与定位方法。 背景技术 [0002]随着世界各国开展水下作业任务的增加， 对水下信息的采集工作成为水下作业的 重要前提之一。 由于信息水下采集设备需要进行定期维护及数据回收， 且水下环境复杂， 对 水下信息采集设备的回收是一件具有挑战性的任务。 [0003]传统的水下目标检测方法包括图像特征匹配识别、 通用图像分割以及基于颜色和 形状的检测与识别。 各国学者对水下目标的传统方法进行了研究， 大多采用水下人工目标 方法进行水下试验验证。 虽然这些方法处理 时间很快， 但对于动态环境仍然不理想， 而且不 够精确。 与传统的目标检测方法相比， 基于深度学习的目标检测算法速度更快， 在目标部分 遮挡的情况下具有更好的鲁棒性。 因此， 它 逐渐成为 目标检测的主流方法。 目前， 基于深度 学习的算法可以分为单阶段的端到端算法和两阶段的区域 提议算法。 [0004]这些基于深度学习的检测方法只能得到目标在图像中的位置， 并不是目标的地图 定位。 目标定位是AUV进 行水下信息采集设备回收作业的另一个重要研究内容。 在这些操作 中， 大多采用协同目标或人工目标来提高定位效率。 常用的水下人工物体通常具有规则的 形状和特定的明亮色彩， 如水下特殊的水下图案、 主动激光模块、 3D标记器等， 而本发明采 用SLAM算法进行定位。 [0005]由于水下环境比陆地上要复杂的多， 在水下没有光源的情况下， 水下的视频采集 系统必须依赖人造光源提供照明， 光在水中传输时又会受到水的吸收、 反射和散射等影响 而发生严重的衰减， 采集到的水下图像难免会出现可见范围有限、 模糊不清、 低对比度、 非 均匀光照、 色彩不协调及噪声等问题， 导 致目标检测范围较小且准确率较低。 [0006]基于投放标志物的水下定位技术， 需要人工参与， 设备无法自主完成， 工作效率较 低， 无法获取 水下全局地图信息 。 发明内容 [0007]为解决已有技术存在的不足， 本 发明提供了一种基于声呐图像的AI水下目标检测 与定位方法， 包括如下步骤： [0008]步骤S1： 对水下目标进行声呐图像数据 采集、 数据预处理及数据增强， 为后续训练 测试做准备； [0009]步骤S2： 对水 下目标检测进行训练测试； [0010]步骤S3： 基于SLAM算法对水 下环境进行同步建图并对目标设备进行定位。 [0011]其中， 所述 步骤S2包括： [0012]步骤S21： 基于 目标检测网络， 修改网络模型， 对步骤S1处理后的声呐图像进行AI 学习训练；说　明　书 1/6 页 3 CN 115496997 A 3