用于神经网络建模的海洋测扫声呐图像数据扩充方法、电子设备、存储介质

本发明涉及海洋地球物理和人工智能，具体涉及一种应用于卷积神经网络建模的海洋测扫声呐图像数据扩充算法。

背景技术：

1、在现有的海洋测扫声呐图像识别技术中，传统的识别方法主要依赖于专业人员的肉眼观察。这种方法存在一些显著的不足。首先，由于人眼观察具有主观性，因此识别结果可能会受到观察者的经验、认知能力和疲劳等因素的影响，导致识别结果的准确性无法得到保证。其次，人眼观察的效率较低，无法满足大规模、高频率的声呐图像识别需求。

2、为解决上述问题，人工智能技术，尤其是卷积神经网络(convolutional neuralnetwork,cnn)被引入到声呐图像识别中。卷积神经网络是一种深度学习算法，通过学习海量数据的特征，能够自动、准确地进行图像识别和处理。然而，海洋测扫声呐图像的获取成本高，且相对于日常生活的各类数据集，其数据量较小。因此，如何高效、高质量地使用现有的小样本数据集，以及如何从小样本数据集中挖掘出更多的有效信息，成为了当前研究的关键问题。

3、在这种背景下，提出一种新的测扫声呐小样本图像扩充算法显得尤为重要。这种算法应能够在数据量较少的情况下，最大程度地从现有图像中提取有效信息进行训练，以满足卷积神经网络大规模训练数据的需求。这不仅可以提高声呐图像识别的准确性和效率，还可以降低数据获取的成本，为海洋测扫声呐图像识别技术的发展提供新的可能。

技术实现思路

1、本发明为解决或部分解决现有技术的不足之处，而提供一种机场应急处置预案的编辑方法、电子设备、计算机可读存储介质。

2、为实现所述目的，本发明的技术方案为：

3、据本发明的一个方面，提供一种用于神经网络建模的海洋测扫声呐图像数据扩充方法，包括：

4、步骤s1、通过海洋测扫声呐设备收集海洋底质和/或水下目标的声呐图像数据；

5、步骤s2、对获取的声呐图像数据进行预处理；

6、步骤s3、对声呐图像数据进行数据扩展处理以达到设定数据量，所述数据扩展处理配置为至少包括图像旋转、图像缩放中的一种或多种的组合；

7、步骤s4、利用扩充后的图像数据对卷积神经网络模型进行训练；

8、步骤s5、对训练好的卷积神经网络模型进行准确性检验。

9、作为一种改进方案，所述步骤s5进一步包括：

10、根据卷积神经网络模型的准确性检验结果，调整对声呐图像数据的扩展量进而改变所述数据量的设定。

11、作为该改进方案的优选，所述步骤s5进一步包括：

12、使用启发式函数f(n,a)＝w1×log(n)+w2×a来评估当前数据量n和模型准确度a的关系，其中，n是当前的数据量；a是模型在验证集上的准确度；w1和w2是权重参数；

13、设定初始数据量为n，模型准确度为a，计算f(n,a)；

14、尝试扩展至不同的数据量，并计算对应的f(n,a)值；

15、找出f(n,a)值最高的数据量n′作为新的数据量，如果n′等于原数据量n，则算法终止。

16、作为该改进方案的优选，所述步骤s5进一步包括：

17、所述扩展量配置为通过调整图像旋转的角度范围和/或图像缩放的比例范围来实现调整。

18、作为该改进方案的优选，所述步骤s3中的所述图像旋转的实现方式进一步包括：

19、假设原始图像中一个像素点的坐标为(x,y)，旋转角度为θ，则旋转后的坐标(x',y')通过以下公式得到：

20、x'＝x*cos(θ)-y*sin(θ)

21、y'＝x*sin(θ)+y*cos(θ)。

22、作为该改进方案的优选，所述步骤s5中调整图像旋转的角度范围的实现方式进一步包括：

23、基于模型在验证集上的准确度，动态调整δθ，调整公式为：

24、δθnew＝δθold×(1+α×(anew-aold))

25、其中，α是可调参数，anew和aold分别是新旧模型准确度。

26、作为该改进方案的优选，所述步骤s3中的所述图像缩放的实现方式进一步包括：

27、假设原始图像中一个像素点的坐标为(x,y)，缩放比例为s，则缩放后的坐标(x',y')可以通过以下公式得到：

28、x'＝s*x

29、y'＝s*y。

30、作为该改进方案的优选，所述步骤s5中调整图像旋转的角度范围的实现方式进一步包括：

31、基于模型在验证集上的准确度，动态调整δs，调整公式为：

32、δsnew＝δsold×(1+β×(anew-aold))

33、其中，β是可调参数，anew和aold分别是新旧模型准确度。

34、作为另一种改进方案，所述步骤s3中数据扩展处理进一步包括图像翻转、图像平移或随机对比度变化。

35、作为另一种改进方案，预处理包括图像清理、图像标注、图像分割。其中，图像清理是去除图像中的噪声和无关信息；图像标注是为图像数据添加相关的标签信息，便于后续的模型训练；图像分割是根据图像的特征和内容，将图像划分为不同的区域或者对象。分割的方法为人为选定目标物体的图像。

36、依据本发明的另一个方面，提供了一种电子设备，其中，该电子设备包括：

37、处理器；以及，

38、被安排成存储计算机可执行指令的存储器，可执行指令在被执行时使处理器执行所述的方法。

39、依据本发明的另一个方面，提供了一种计算机可读存储介质，其中，计算机可读存储介质存储一个或多个程序，一个或多个程序当被处理器执行时，实现所述的方法。

40、本发明的算法可以有效地解决海洋测扫声呐图像数据量较小的问题，提高声呐图像识别的准确性和效率，降低数据获取的成本，推动海洋测扫声呐图像识别技术的发展。

41、所述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的所述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

技术特征：

1.用于神经网络建模的海洋测扫声呐图像数据扩充方法，其特征在于，包括：

2.如权利要求1所述的海洋测扫声呐图像数据扩充方法，其特征在于，所述步骤s5进一步包括：

3.如权利要求2所述的海洋测扫声呐图像数据扩充方法，其特征在于，所述步骤s5进一步包括：

4.如权利要求3所述的海洋测扫声呐图像数据扩充方法，其特征在于，所述步骤s5进一步包括：

5.如权利要求4所述的海洋测扫声呐图像数据扩充方法，其特征在于，所述步骤s3中的所述图像旋转的实现方式进一步包括：

6.如权利要求5所述的海洋测扫声呐图像数据扩充方法，其特征在于，所述步骤s5中调整图像旋转的角度范围的实现方式进一步包括：

7.如权利要求4所述的海洋测扫声呐图像数据扩充方法，其特征在于，所述步骤s3中的所述图像缩放的实现方式进一步包括：

8.如权利要求7所述的海洋测扫声呐图像数据扩充方法，其特征在于，所述步骤s5中调整图像旋转的角度范围的实现方式进一步包括：

9.一种电子设备，其中，该电子设备包括：

10.一种存储介质，其中，所述存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现权利要求1～8中任一项所述的海洋测扫声呐图像数据扩充方法。

技术总结
本发明涉及一种用于神经网络建模的海洋测扫声呐图像数据扩充方法、电子设备、存储介质。其中方法包括：步骤S1、通过海洋测扫声呐设备收集海洋底质和/或水下目标的声呐图像数据；步骤S2、对获取的声呐图像数据进行预处理；步骤S3、对声呐图像数据进行数据扩展处理以达到设定数据量，所述数据扩展处理配置为至少包括图像旋转、图像缩放中的一种或多种的组合；步骤S4、利用扩充后的图像数据对卷积神经网络模型进行训练；步骤S5、对训练好的卷积神经网络模型进行准确性检验。本发明可以有效地解决海洋测扫声呐图像数据量较小的问题，提高声呐图像识别的准确性和效率，降低数据获取的成本。

技术研发人员：杜星,王栋
受保护的技术使用者：中国海洋大学
技术研发日：
技术公布日：2024/1/16