边缘端水下目标智能识别模型训练方法、装置及识别方法与流程

本技术涉及水下目标识别，具体涉及一种边缘端水下目标智能识别模型训练方法、边缘端水下目标智能识别模型训练装置、边缘端水下目标智能识别方法以及船用水下目标智能识别方法。

背景技术：

1、海上目标检测与识别是国家海洋需求中的关键技术之一，而基于水声的目标检测与识别是当前主要的识别技术，水声目标检测与识别技术是一种利用声呐接收的被动目标辐射噪声、主动目标回波以及其他传感器信息提取目标特征并判别目标类型的信息处理技术，为人类海洋经济与军事活动提供重要决策依据。随着人类在海洋中的活动日益频繁，水声目标检测与识别技术得到越来越多的应用，如渔业生产作业、海洋搜救、海底勘测、海洋调查及科学研究等。

2、传统云计算范式云端负载能力、数据存储以及带宽资源等方面将面临巨大挑战，使得云计算范式在诸如智能监控、智能海战等低延迟、高带宽需求的应用场景存在系统缺陷。而边缘计算的诞生，为解决这一问题提供了必要的技术手段，终端设备是数据收集的第一站，而把大量的数据传输到云计算中心去处理，将导致数据处理的不及时，甚至造成系统事故，尤其是对实时性、可靠性要求比较高的应用场景下。

3、在水下目标智能检测与识别领域，随着输入信号数据量的提高造成了深度网络的参数会迅速增长，一个深度学习模型通常包含数以百万计甚至更多的参数,这些巨量的权值系数在带来网络模型性能提升的同时，也造成了网络体量巨大、计算资源需求高、运算缓慢等缺点，不利于深度学习模型向运算资源有限的设备和终端中嵌入，所以面向边缘端的海上目标智能检测与识别具有重要的研究意义。

4、现有技术的问题在于：

5、1、水下目标识别的数据少、质量差，难获取，导致训练数据不足。

6、2、当前神经网络模型参数越来越庞大、结构越来越复杂。一个深度学习模型通常包含数以百万计甚至更多的参数,这些巨量的权值系数在带来网络模型性能提升的同时，也造成了网络体量巨大、计算资源需求高、运算缓慢等缺点，不利于深度学习模型向运算资源有限的设备和终端中嵌入，所以面向边缘端的海上目标智能检测与识别具有重要的研究意义。

7、因此，希望有一种技术方案来解决或至少减轻现有技术的上述不足。

技术实现思路

1、本发明的目的在于提供一种边缘端水下目标智能识别模型训练方法来至少解决上述的一个技术问题。

2、本发明的一个方面，提供一种边缘端水下目标智能识别模型训练方法，所述边缘端水下目标智能识别模型训练方法包括：

3、生成语音训练测试集；

4、获取初始水下目标智能识别模型；

5、对所述初始水下目标智能识别模型进行权重优化、剪枝优化中的一个或多个优化，从而获取经过优化的初始水下目标智能识别模型；

6、根据语音训练测试集对经过优化的初始水下目标智能识别模型进行训练，从而获取边缘端水下目标智能识别模型。

7、可选地，所述生成语音训练测试集包括：

8、采集音频信息；

9、提取所述音频信息中的有用成分音频信息；

10、根据有用成分音频信息生成第一数据集；

11、对第一数据集进行扩充，从而获取第二数据集；

12、基于dcgan网络对第二数据集进行处理，从而获取第三数据集，其中，所述语音训练测试集包括所述第二数据集以及第三数据集。

13、可选地，所述对第一数据集进行扩充，从而获取第二数据集包括：

14、通过旋转、反转、亮度增强、添加噪音中的一种或多种方法对第一数据集进行扩充形成第二数据集。

15、可选地，所述对所述初始水下目标智能识别模型进行权重优化、剪枝优化中的一个或多个优化，从而获取经过优化的初始水下目标智能识别模型包括：

16、所述对所述初始水下目标智能识别模型进行权重优化包括：

17、使用xavier初始化对权重进行初始化，每层接受min个输入，并产生mout个输出，设置权重w的初始方差为

18、可选地，所述对所述初始水下目标智能识别模型进行权重优化、剪枝优化中的一个或多个优化，从而获取经过优化的初始水下目标智能识别模型包括：

19、所述对所述初始水下目标智能识别模型进行剪枝优化包括：

20、分别单独对每层神经网络进行剪枝，并在进行剪枝时，除被剪枝的该层神经网络变化外，其他各层神经网络不变。

21、本技术还提供了一种边缘端水下目标智能识别模型训练装置，所述边缘端水下目标智能识别模型训练装置包括：

22、语音训练测试集获取模块，所述语音训练测试集获取模块用于生成语音训练测试集；

23、初始水下目标智能识别模型获取模块，所述初始水下目标智能识别模型获取模块用于获取初始水下目标智能识别模型；

24、优化模块，所述优化模块用于对所述初始水下目标智能识别模型进行权重优化、剪枝优化中的一个或多个优化，从而获取经过优化的初始水下目标智能识别模型；

25、训练模块，所述训练模块用于根据语音训练测试集对经过优化的初始水下目标智能识别模型进行训练，从而获取边缘端水下目标智能识别模型。

26、本技术还提供了一种边缘端水下目标智能识别方法，所述边缘端水下目标智能识别方法包括：

27、获取待识别声音信息；

28、提取所述声音信息中的特征信息；

29、获取采用如权利要求1至5中任意一项所述的边缘端水下目标智能识别模型训练方法进行训练的边缘端水下目标智能识别模型；

30、将所述特征信息输入至所述边缘端水下目标智能识别模型，从而获取识别结果。

31、本技术还提供了一种船用水下目标智能识别方法，所述船用水下目标智能识别方法包括：

32、主船向至少两个方向散布边缘端；

33、每个边缘端均以相同周期，通过如权利要求7所述的边缘端水下目标智能识别方法进行目标识别并获取目标识别结果；

34、每个边缘端将所述目标识别结果以及用于识别该目标识别结果的待识别声音信息发送给所述主船。

35、可选地，所述船用水下目标智能识别方法进一步包括：

36、当所述主船在第一时刻获取到其中任意一个边缘端所发送的目标识别结果中包括预设目标时，所述主船分别向每个边缘端发送位置询问信息；

37、每个边缘端在接收到所述位置询问信息后将其自身所在位置信息发送给主船；

38、主船根据各个边缘端所发送的位置信息选取其中一个或者多个边缘端作为待检验边缘端；

39、主船获取第一时刻所获取的各个待检验边缘端所传递的待识别声音信息；

40、分别提取每个待检验边缘端所传递的待识别声音信息中的待识别特征；

41、将各个待识别特征进行融合，从而获取融合特征；

42、主船将融合特征输入至主识别模型，从而获取二次识别结果。

43、有益效果

44、本技术的边缘端水下目标智能识别模型训练方法针对当前神经网络参数多、计算复杂度高、终端设备部署困难等问题，构建了一种计算量小、延迟低，精度高、鲁棒性强的终端设备用边缘端水下目标智能识别模型，实现终端的轻量级快捷部署。