一种基于深度学习的水下目标识别分类方法与流程

1.本发明涉及图像识别技术领域，尤其涉及一种基于深度学习的水下目标识别分类方法。


背景技术：

2.在图像处理技术领域中，目标检测是指对于一幅图像，检测和识别该图像中是否存在指定目标，并确定该指定目标的位置，在交通安全、民生治安以及公共财产安全等很多方面有着广泛的应用。
3.随着机器视觉技术的发展，基于机器视觉的目标识别技术(例如车型识别、垃圾类型识别等等)也得到了越来越广泛的关注，水下目标识别是从声呐传感图像或摄像视频中检测出水下目标，并对水下目标进行分类，以确定水下目标属于何种类型。
4.现有技术中，对于一些水下目标数据的识别分类，通常都是依靠个人知识经验进行分类，对参与者的相关知识储备具有一定的要求。比如，海底垃圾分类，由于垃圾种类繁多、各地对于垃圾的具体分类标准不一、个人知识时间精力有限等因素影响，目前各地民众的参与积极性及海洋垃圾分类准确率并不高。再比如，深海捕捞或海水养殖通常涉及到多种鱼种分类，大多数人因知识储备或养殖经验有限而无法准确区分鱼群鱼种，难以大范围推广普及。
5.因此，有必要提供一种基于深度学习的水下目标识别分类方法解决上述技术问题。


技术实现要素：

6.本发明提供一种基于深度学习的水下目标识别分类方法，解决了背景技术中的问题。
7.为解决上述技术问题，本发明提供的基于深度学习的水下目标识别分类方法，包括：
8.获取水下目标图像，对所述水下目标图像进行标注；
9.构建多个深度学习的水下目标分类模型，对水下目标分类模型进行训练，利用训练好的水下目标分类模型实现水下目标图像的分类，获得多个水下目标分类结果；
10.基于水下目标特征训练完成的深度学习模型开展水下目标的细分类识别工作，准确的识别出水下目标的类型。
11.优选的，还包括对分类图像进行数据增强，对待识别分类的图像进行尺度变换和归一化处理。
12.优选的，将所述分类图像输入至深度学习的水下目标分类模型中进行特征提取，得到该深度学习的输出结果。
13.优选的，所述输出结果，包括：对所述分类图像进行图像增强处理，将图像增强处理后的分类图像裁剪为预设尺寸的子图像。
14.优选的，将所述子图像输入至多个深度学习的水下目标分类模型中进行特征提取，得到每个深度学习的输出结果。
15.优选的，基于水下目标特征训练完成的深度学习模型开展水下目标的细分类识别工作，包括：对所述多个分类结果进行投票，获得所述多个分类结果中的每个分类结果对应的投票数量；将所述多个分类结果中的票数最多，且票数过半的分类结果确定为水下目标分类。
16.优选的，所述深度学习的水下目标分类模型包括供电模块、网络传输模块、扫描模块、对比模块、应用程序和储存模块。
17.优选的，所述供电模块为所述应用程序供电，所述网络传输模块为所述应用程序提供网络，所述应用程序内设置有处理器，所述处理器与比对模块连接，所述比对模块与储存模块连接。
18.优选的，所述深度学习的水下目标分类模型还包括用户登录模块、故障报修模块和识别分析模块，所述储存模块用于存储数据。
19.与相关技术相比较，本发明提供的基于深度学习的水下目标识别分类方法具有如下有益效果：
20.本发明提供一种基于深度学习的水下目标识别分类方法，通过获取水下目标图像，对所述水下目标图像进行标注；构建多个深度学习的水下目标分类模型，对水下目标分类模型进行训练，利用训练好的水下目标分类模型实现水下目标图像的分类，获得多个水下目标分类结果；基于水下目标特征训练完成的深度学习模型开展水下目标的细分类识别工作，准确的识别出水下目标的类型，通过处理图片自动完成图片识别分类，无需使用者对分类标准具有任何知识，操作简单便捷，对水下目标域数据进行分类识别的准确率更高。
附图说明
21.图1为本发明提供的基于深度学习的水下目标识别分类方法的一种较佳实施例的示意图。
具体实施方式
22.下面结合附图和实施方式对本发明作进一步说明。
23.请结合参阅图1，其中，图1为本发明提供的基于深度学习的水下目标识别分类方法的一种较佳实施例的示意图。基于深度学习的水下目标识别分类方法包括：
24.获取水下目标图像，对所述水下目标图像进行标注；
25.构建多个深度学习的水下目标分类模型，对水下目标分类模型进行训练，利用训练好的水下目标分类模型实现水下目标图像的分类，获得多个水下目标分类结果；
26.基于水下目标特征训练完成的深度学习模型开展水下目标的细分类识别工作，准确的识别出水下目标的类型。
27.还包括对分类图像进行数据增强，对待识别分类的图像进行尺度变换和归一化处理。
28.将所述分类图像输入至深度学习的水下目标分类模型中进行特征提取，得到该深度学习的输出结果。
29.所述输出结果，包括：对所述分类图像进行图像增强处理，将图像增强处理后的分类图像裁剪为预设尺寸的子图像。
30.将所述子图像输入至多个深度学习的水下目标分类模型中进行特征提取，得到每个深度学习的输出结果。
31.基于水下目标特征训练完成的深度学习模型开展水下目标的细分类识别工作，包括：对所述多个分类结果进行投票，获得所述多个分类结果中的每个分类结果对应的投票数量；将所述多个分类结果中的票数最多，且票数过半的分类结果确定为水下目标分类。
32.所述深度学习的水下目标分类模型包括供电模块、网络传输模块、扫描模块、对比模块、应用程序和储存模块。
33.所述供电模块为所述应用程序供电，所述网络传输模块为所述应用程序提供网络，所述应用程序内设置有处理器，所述处理器与比对模块连接，所述比对模块与储存模块连接。
34.所述深度学习的水下目标分类模型还包括用户登录模块、故障报修模块和识别分析模块，所述储存模块用于存储数据。
35.与相关技术相比较，本发明提供的基于深度学习的水下目标识别分类方法具有如下有益效果：
36.通过获取水下目标图像，对所述水下目标图像进行标注；构建多个深度学习的水下目标分类模型，对水下目标分类模型进行训练，利用训练好的水下目标分类模型实现水下目标图像的分类，获得多个水下目标分类结果；基于水下目标特征训练完成的深度学习模型开展水下目标的细分类识别工作，准确的识别出水下目标的类型，通过处理图片自动完成图片识别分类，无需使用者对分类标准具有任何知识，操作简单便捷，对水下目标域数据进行分类识别的准确率更高。
37.以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。


技术特征：
1.一种基于深度学习的水下目标识别分类方法，其特征在于，包括：获取水下目标图像，对所述水下目标图像进行标注；构建多个深度学习的水下目标分类模型，对水下目标分类模型进行训练，利用训练好的水下目标分类模型实现水下目标图像的分类，获得多个水下目标分类结果；基于水下目标特征训练完成的深度学习模型开展水下目标的细分类识别工作，准确的识别出水下目标的类型。2.根据权利要求1所述的基于深度学习的水下目标识别分类方法，其特征在于，还包括对分类图像进行数据增强，对待识别分类的图像进行尺度变换和归一化处理。3.根据权利要求1所述的基于深度学习的水下目标识别分类方法，其特征在于，将所述分类图像输入至深度学习的水下目标分类模型中进行特征提取，得到该深度学习的输出结果。4.根据权利要求3所述的基于深度学习的水下目标识别分类方法，其特征在于，所述输出结果，包括：对所述分类图像进行图像增强处理，将图像增强处理后的分类图像裁剪为预设尺寸的子图像。5.根据权利要求1所述的基于深度学习的水下目标识别分类方法，其特征在于，将所述子图像输入至多个深度学习的水下目标分类模型中进行特征提取，得到每个深度学习的输出结果。6.根据权利要求1所述的基于深度学习的水下目标识别分类方法，其特征在于，基于水下目标特征训练完成的深度学习模型开展水下目标的细分类识别工作，包括：对所述多个分类结果进行投票，获得所述多个分类结果中的每个分类结果对应的投票数量；将所述多个分类结果中的票数最多，且票数过半的分类结果确定为水下目标分类。7.根据权利要求1所述的基于深度学习的水下目标识别分类方法，其特征在于，所述深度学习的水下目标分类模型包括供电模块、网络传输模块、扫描模块、对比模块、应用程序和储存模块。8.根据权利要求7所述的基于深度学习的水下目标识别分类方法，其特征在于，所述供电模块为所述应用程序供电，所述网络传输模块为所述应用程序提供网络，所述应用程序内设置有处理器，所述处理器与比对模块连接，所述比对模块与储存模块连接。9.根据权利要求7所述的基于深度学习的水下目标识别分类方法，其特征在于，所述深度学习的水下目标分类模型还包括用户登录模块、故障报修模块和识别分析模块，所述储存模块用于存储数据。

技术总结
本发明提供一种基于深度学习的水下目标识别分类方法。所述基于深度学习的水下目标识别分类方法，包括：获取水下目标图像，对所述水下目标图像进行标注；构建多个深度学习的水下目标分类模型，对水下目标分类模型进行训练，利用训练好的水下目标分类模型实现水下目标图像的分类，获得多个水下目标分类结果；基于水下目标特征训练完成的深度学习模型开展水下目标的细分类识别工作，准确的识别出水下目标的类型。本发明提供的基于深度学习的水下目标识别分类方法，通过处理图片自动完成图片识别分类，无需使用者对分类标准具有任何知识，操作简单便捷，对水下目标域数据进行分类识别的准确率更高。的准确率更高。的准确率更高。


技术研发人员：成霄 李兴顺 于洋 俞兆虎
受保护的技术使用者：青岛中科研海海洋科技有限公司
技术研发日：2023.05.15
技术公布日：2023/7/26