买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中交天津港湾工程研究院有限公司;中交第一航务工程局有限公司;天津港湾工程质量检测中心有限公司

摘要：本发明一种深远海水下机器人拦截网使用情况识别方法，使用夜视红外线功能的摄像头，来获取清晰的深海无光环境中拦截网的图像，然后通过图像预处理、图像分割以及图像的特征提取，构建训练数据集，来训练深远海拦截网使用情况识别深度学习模型。该深远海拦截网使用情况识别深度学习模型首先通过其卷积层对训练集进行卷积处理提取出特征图，然后通过池化层处理得到降低分辨率的特征图，再采用特征金字塔网络处理得到融合后的多尺度特征图，然后通过可变形卷积层处理得到学习位移后的特征图，再通过不同尺寸的池化层处理得到融合多尺度池化特征图，然后通过全连接层输出分类结果，最后输出：清洁无损、被污垢堵塞、腐蚀或者破损等拦截网使用情况。

主权项：1.一种深远海水下机器人拦截网使用情况识别方法，其特征在于，包括以下步骤：步骤一，对水下拦截网进行红外图像采集；步骤二，对步骤一采集的图像进行预处理；步骤三，将经过步骤二预处理后的图像进行图像分割；步骤四，对经过步骤三处理后的图像进行图像的特征提取；图像的特征提取，包括：纹理特征提取、形状特征提取和粗糙度特征提取；纹理特征提取：使用局部二值模式方法，通过比较像素值与其周围邻域像素值来描述图像的纹理特征，用以识别腐蚀和污垢；纹理特征提取的公式为： ；其中，表示在位置的LBP值；为邻域像素的数量；为邻域的半径；为邻域像素值；为中心像素值；为符号函数，定义如下： ；形状特征提取：使用边缘检测提取物体的形状特征，通过检测图像的梯度变化来提取物体的边缘，用于识别水下拦截网的网孔是否被污垢堵塞；形状特征提取过程如下：（1），进行高斯滤波：；其中，为经过步骤二处理后的图像；为高斯核；为经过高斯滤波后的图像；（2），计算图像的梯度： ；其中，分别为图像的水平和垂直梯度；x代表图像水平方向，y代表图像垂直方向；（3），计算梯度幅值和方向： ； ；其中，为梯度幅值；为梯度方向；（4），进行非极大值抑制：通过比较像素点与其梯度方向上的邻域像素值，保留局部极大值点；（5），将梯度幅值与设定的高阈值和低阈值进行比较，确定图像中的边缘： ；其中，表示高阈值，表示低阈值；当梯度幅值大于高阈值时，标记为强边缘点，用1表示；当梯度幅值小于低阈值时，标记为非边缘点，用0表示；当梯度幅值介于高阈值和低间值之间时，标㓆为弱边缘点，用weakedge表示，后续通过连接强边缘点决定是否保留；粗糙度特征提取：计算图像的表面粗糙度，用于识别腐蚀区域；图像的表面粗糙度的计算公式为：；其中，为像素点数；为每个像素的灰度值；为灰度值的平均值；步骤五，按照上述步骤一至步骤四，将采集的包括清洁无损的、被污垢堵塞的、腐蚀的以及破损的拦截网红外图像进行处理，得到图像的包含纹理特征、形状特征和粗糙度特征的特征矩阵，将这些特征矩阵及经过步骤三处理的图像整合为一个矩阵集合作为训练集，训练深远海拦截网使用情况识别深度学习模型；所述深远海拦截网使用情况识别深度学习模型的网络结构，包括：（1）卷积层：其输入为经过步骤五整理得到的训练集，输出为卷积提取的特征图；（2）池化层：其输入为经过卷积层处理得到的特征图，输出为降低分辨率的特征图；（3）特征金字塔网络：其输入为经过池化层处理得到的特征图，输出为融合后的多尺度特征图；（4）可变形卷积层：其输入为经过特征金字塔网络处理得到的多尺度特征图，输出为学习位移后的特征图；（5）不同尺寸的池化层：其输入为经过可变形卷积层处理得到的特征图，输出为融合多尺度池化特征图；（6）全连接层：其输入为经过不同尺寸的池化层处理得到的特征图，输出为分类结果；（7）输出层：其输入为经过全连接层处理得到的分类结果，输出为最终识别结果，最终识别结果包括：清洁无损、被污垢堵塞、腐蚀或者破损。

全文数据：

权利要求：

百度查询： 中交天津港湾工程研究院有限公司 中交第一航务工程局有限公司 天津港湾工程质量检测中心有限公司 深远海水下机器人拦截网使用情况识别方法