(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 202210557381.8 (22)申请日 2022.05.20 (71)申请人 浙江大学 地址 310058 浙江省杭州市西湖区余杭塘 路866号 (72)发明人 黄慧　蒋吉庆　黄豪彩　詹舒越　 (74)专利代理 机构 杭州君锐知产专利代理事务 所(普通合伙) 33443 专利代理师 应孔月 (51)Int.Cl. G06V 10/25(2022.01) G06V 10/762(2022.01) G06V 10/774(2022.01) G06V 20/05(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 水下船底可疑目标检测方法、 装置、 电子设 备及可读介质 (57)摘要 本发明公开了一种水下船底可疑目标检测 方法、 装置、 电子设备及可读介质， 包括： 获取待 检测水下图像； 利用暗通道去雾算法和MSR图像 增强算法对所述待检测水下图像进行预处理得 到输入图像； 将所述输入图像输入训练好的 YOLOv3网络中， 输出目标检测结果， 其中所述 YOLOv3网络对训练集数据的锚框获取使用K ‑ means++算法， 在非极大值抑制的筛选时使用基 于MSCNN动态阈值算法。 本发明使用的K ‑means+ +， 在目标的预训练时获取更精准的anchor  box， 本发明使用的MSCNN动态阈值矩阵根据目标的稀 疏程度而进行候选框的筛选， 对 水下目标的数目 不确定的情况有很好的检测效果。 权利要求书2页 说明书7页 附图3页 CN 115294322 A 2022.11.04 CN 115294322 A 1.一种水 下船底可疑目标检测方法， 其特 征在于， 包括： 获取待检测水 下图像； 利用暗通道去雾算法和MSR图像增强算法对所述待检测水下图像进行预处理得到输入 图像； 将所述输入图像输入训练好的YOLOv3网络中， 输出目标检测结果， 其中所述YOLOv3网 络对训练集数据的锚框获取使用K ‑means++算法， 在非极大值抑制的筛选时使用基于MSCNN 动态阈值 算法。 2.根据权利要求1所述的一种水下船底可疑目标检测方法， 其特征在于， 在将所述输入 图像输入训练好的YOLOv3网络之前， 还 包括： 通过数据扩充方法获取训练数据集； 利用所述训练数据集对所述YOLOv3网络进行训练， 得到训练好的YOLOv3网络 。 3.根据权利要求2所述的一种水下船底可疑目标检测方法， 其特征在于， 所述通过数据 扩充获取训练数据集， 具体包括： 通过水平翻转、 上 下翻转、 旋转预设角度、 随机缩放、 随机 裁剪以及添加噪声中的一种 或多种方法获取训练数据集。 4.根据权利要求1所述的一种水下船底可疑目标检测方法， 其特征在于， 对训练集数据 锚框的获取使用K ‑means++算法， 具体包括： 在训练集数据中选择1个随机数据作为初始中心， 以交并比作为距离的度量单位来计 算所有样本与质心的距离， 其中所述交并比为两个预测框的重叠部分的宽和长， 即用两个 预测框的交集 面积除以并集 面积； 用轮盘法筛选下一个满足条件的聚类中心， 重复以上步骤， 直至找到k个聚类中心； 针对数据集中每个样本， 计算它到k个聚类中心 的距离并将其分到距离最小的聚类中 心所对应的簇中； 针对每个簇， 重新根据平均距离计算该簇的聚类中心， 直至到达预设迭代次数或者聚 类中心不再变化 为止； 计算每一个簇的平均交并比， 将得到的k个长和宽转换为相对比例， 作为预训练的锚 框。 5.根据权利要求1或4所述的一种水下船底可疑目标检测方法， 其特征在于， 在非极大 值抑制的筛 选时使用基于 MSCNN动态阈值 算法， 具体包括： 将所述输入图像输入到MSCNN网络中， 获取热力图， 将其正则化， 获得一个区间在(0,1) 的稀疏矩阵； 利用金字塔最大池化法将所述稀疏矩阵转 化为动态阈值矩阵； 在YOLOv3网络中应用动态阈值矩阵获得基于目标稀疏程度的阈值， 并根据所述阈值在 非极大值抑制的步骤中进行筛 选目标候选区域。 6.一种水 下图像目标检测装置， 其特 征在于， 包括： 获取模块， 用于获取待检测水 下图像； 预处理模块， 用于利用暗通道去雾算法和MSR图像增强算法对所述待检测水下图像进 行预处理得到输入图像； 目标检测模块， 用于将所述输入图像输入训练好的YOLOv3 网络中， 输出目标检测结果，权　利　要　求　书 1/2 页 2 CN 115294322 A 2其中所述YOLOv3网络对训练集数据的锚框获取使用K ‑means++算法， 在非极大值抑制的筛 选时使用基于 MSCNN动态阈值 算法。 7.根据权利要求6所述的一种水下船底可疑目标检测装置， 其特征在于， 对训练集数据 锚框的获取使用K ‑means++算法， 具体包括： 在训练集数据中选择1个随机数据作为初始中心， 以交并比作为距离的度量单位来计 算所有样本与质心的距离， 其中所述交并比为两个预测框的重叠部分的宽和长， 即用两个 预测框的交集 面积除以并集 面积； 用轮盘法筛选下一个满足条件的聚类中心， 重复以上步骤， 直至找到k个聚类中心； 针对数据集中每个样本， 计算它到k个聚类中心 的距离并将其分到距离最小的聚类中 心所对应的簇中； 针对每个簇， 重新根据平均距离计算该簇的聚类中心， 直至到达预设迭代次数或者聚 类中心不再变化 为止； 计算每一个簇的平均交并比， 将得到的k个长和宽转换为相对比例， 作为预训练的锚 框。 8.根据权利要求6或7所述的一种水下船底可疑目标检测装置， 其特征在于， 在非极大 值抑制的筛 选时使用基于 MSCNN动态阈值 算法， 具体包括： 将所述输入图像输入到MSCNN网络中， 获取热力图， 将其正则化， 获得一个区间在(0,1) 的稀疏矩阵； 利用金字塔最大池化法将所述稀疏矩阵转 化为动态阈值矩阵； 在YOLOv3网络中应用动态阈值矩阵获得基于目标稀疏程度的阈值， 并根据所述阈值在 非极大值抑制的步骤中进行筛 选目标候选区域。 9.一种电子设备， 其特征在于， 包括处理器、 通信 接口、 存储器和总线， 其中， 处理器， 通 信接口， 存储器通过总线完成相互间的通信， 处理器可以调用存储器中的逻辑指 令， 以执行 如权利要求1至 5任一项所述的水 下图像目标检测方法。 10.一种非暂态计算机可读存储介质， 其特征在于， 所述非暂态计算机可读存储介质存 储计算机指令， 所述计算机指 令使所述计算机执行如权利要求1至5任一项所述的水下图像 目标检测方法。权　利　要　求　书 2/2 页 3 CN 115294322 A 3