基于深度学习的声呐图像目标检测系统
发布网友
发布时间：2024-10-23 18:03
共1个回答
热心网友
时间：2024-11-08 04:48
罗逸豪博士（中国船舶集团有限公司第七一〇研究所）的研究成果揭示了深度学习在声呐图像目标检测中的潜力。基于深度学习的算法通过层次化的特征提取，实现了端到端的定位和分类优化，相较于传统方法，在复杂水下环境中的性能更优。然而，实际应用中，声呐图像的获取和隐私问题限制了深度学习技术的广泛使用，对系统性能、速度和部署环境有严格要求。
设计的系统由数据集生成、模型训练与测试、模型部署应用三个子系统构成，每个子系统负责特定任务。数据集生成子系统通过人工标注和实时数据处理，确保数据质量和多样性。模型训练使用高性能服务器和深度学习框架，如PyTorch，采用预训练的深度神经网络如ResNet等，并结合FPN和YOLO系列模型优化小目标检测。训练过程中，数据增强和模型参数调整是关键，以提高模型的泛化能力和鲁棒性。
在水下可疑目标探测任务中，系统通过合成孔径声呐数据的处理和YOLOv5s网络的训练，实现了高精度的检测。实验结果显示，系统在IoU阈值为0.2时，检测精度显著提高，但分类置信度的调整需平衡虚警率和漏检率。系统运行在Windows平台上的硬件配置满足实时性要求，处理速度迅速，显示了其在实际应用中的可行性。
总结来说，罗逸豪博士的研究不仅提出了一种深度学习驱动的声呐图像目标检测系统，而且通过实验证明了其在特定场景中的有效性和实用性，为未来在更广泛的水下应用领域奠定了基础。
