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

技术领域

本发明涉及海洋地球物理和人工智能技术领域，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

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。

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。

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。

发明内容

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。

为实现所述目的，本发明的技术方案为：

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：

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。

作为一种改进方案，所述步骤S5进一步包括：

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。

作为该改进方案的优选，所述步骤S5进一步包括：

使用启发式函数F(n,A)＝w

设定初始数据量为n，模型准确度为A，计算F(n,A)；

尝试扩展至不同的数据量，并计算对应的F(n,A)值；

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。

作为该改进方案的优选，所述步骤S5进一步包括：

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。

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：

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：

x'＝x*cos(θ)-y*sin(θ)

y'＝x*sin(θ)+y*cos(θ)。

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：

基于模型在验证集上的准确度，动态调整Δθ，调整公式为：

Δθnew＝Δθold×(1+α×(Anew-Aold))

其中，α是可调参数，Anew和Aold分别是新旧模型准确度。

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：

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：

x'＝s*x

y'＝s*y。

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：

基于模型在验证集上的准确度，动态调整Δs，调整公式为：

Δsnew＝Δsold×(1+β×(Anew-Aold))

其中，β是可调参数，Anew和Aold分别是新旧模型准确度。

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。

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。

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：

处理器；以及，

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。

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。

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。

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。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的台件。

在附图中：

图1示出了本发明的扫声纳图像数据扩展及自动识别流程；

图2示出了数据预测的结果；

图3为本发明的电子设备的结构示意图；

图4为本发明的计算机可读存储介质的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

本实施例基于电子设备实施，如计算机设备，电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，如图1所示，实现以下的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，包括步骤S1-S5，其中：。

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。根据实际需求和实验目的，可以调整声呐设备的参数设置，以获取不同类型、不同特征的图像数据。搜集资料应尽可能地丰富，不仅包括特征明显的各类物体和图像，也要包括特征不明显、通常不会被使用的相关物体和图像，以增加图像资料的丰富度。

步骤S2、对获取的声呐图像数据进行预处理。

预处理主要包括图像清理、图像标注、图像分割等步骤。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。

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。

作为示例性的，本发明中的数据扩展处理可以包括图像旋转、图像缩放，同时，它会限制最终生成图片的数量，若超出设定的数量，则会随机删除多余的图片，最后，它会把原始图片复制到扩充后的文件夹中。具体步骤为：

A.指定原始图片文件夹和扩充后的文件夹路径，以及每张图片扩充的次数和最终保留的图片数量。

B.如果扩充后的文件夹不存在，则创建它。

C.获取原始文件夹中所有图片的文件名，并计算出最大生成图片的数量。如果设定的保留图片数量超过最大生成数量，则将保留数量设置为最大生成数量。

D.遍历原始文件夹中的每张图片，对每张图片进行指定次数的扩充，包括：

-随机图像旋转；

-随机图像缩放。

下面为扩充操作的数学表达：

1)图像旋转：

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

x'＝x*cos(θ)-y*sin(θ)

y'＝x*sin(θ)+y*cos(θ)

2)图像缩放：

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

x'＝s*x

y'＝s*y

扩充后的图片保存在扩充后的文件夹中，文件名包括原始文件名、扩充编号、旋转角度和翻转方式。

E.统计并显示生成的图片数量。如果生成的图片数量超过设定的保留数量，则随机删除多余的图片。

F.将原始文件夹中的所有图片复制到扩充后的文件夹中。

G.输出原始图片数量、目标扩展数量、扩充倍数、扩充后图片数量、删除的图片数量和最终剩余的图片数量。

进一步的，为更加增强扩展的富裕度以及扩展后图像的多样性，数据扩展处理进一步包括：

-随机上下翻转；

-随机左右翻转；

-随机平移；

-随机对比度变化。

下面为扩充操作的数学表达：

1)图像平移：

假设原始图像中一个像素点的坐标为(x,y)，水平和垂直平移量分别为tx和ty，那么平移后的坐标(x',y')可以通过以下公式得到：

x'＝x+tx

y'＝y+ty

2)图像翻转：

对于水平翻转，如果图像的宽度为w，那么一个像素点的坐标由(x,y)变为(w-x,y)；

对于垂直翻转，如果图像的高度为h，那么一个像素点的坐标由(x,y)变为(x,h-y)。

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。在训练过程中，模型会自动学习并提取图像的特征信息，以优化其识别和处理图像的能力。

步骤S5、对训练好的卷积神经网络模型进行准确性检验，评估其在海洋测扫声呐图像识别中的性能和准确性。

检验方法可以包括但不限于准确率、精确度、召回率、F1值等。当问题为二分类时，可以采用所有评价指标；当有多种预测目标时，以准确率为主。以下是这些指标的数学表达方式：

准确率(Accuracy)的计算公式为：

Accuracy＝(TP+TN)/(TP+TN+FP+FN)

其中，TP表示真正例，TN表示真负例，FP表示假正例，FN表示假负例。

精确率(Precision)：也称为查准率，指的是预测为正例的样本中实际为正例的比例。计算公式为：

Precision＝TP/(TP+FP)

召回率(Recall)：也称为查全率，指的是实际为正例的样本中被预测为正例的比例。计算公式为：

Recall＝TP/(TP+FN)

F1值：它是精确率和召回率的调和平均数，可以综合反映模型的性能。当F1值越高，说明模型的性能越好。计算公式为：

F1＝2*Precision*Recall/(Precision+Recall)

通过上述步骤，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。

作为一种改进方案，步骤S5进一步包括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。通过适时调整图像数据的扩展量，可以进一步优化模型的性能。

实施方法可以配置为进一步包括：

使用启发式函数F(n,A)＝w

设定初始数据量为n，模型准确度为A，计算F(n,A)；

尝试扩展至不同的数据量，并计算对应的F(n,A)值；

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。

上述中，w

作为该改进方案的优选实现方式，本发明中，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，通过基于上述启发式函数的扩展策略，配合动态调整图像旋转角度、缩放比例等，这一设计策略使得模型能够根据实时准确性自动调整数据扩展量和参数，达到较高标准的准确准确性能。

具体对图像旋转的角度范围和/或图像缩放的比例范围的调整可以配置为下述的自适应参数调整步骤：

1.以Δθ和Δs分别表示图像旋转和缩放的允许变化范围。

2.基于模型在验证集上的准确度，动态调整Δθ和Δs。

调整公式为：

Δθnew＝Δθold×(1+α×(Anew-Aold))

Δsnew＝Δsold×(1+β×(Anew-Aold))

其中，

α和β是可调参数

Anew和Aold分别是新旧模型准确度。

通过上述的自适应参数调整步骤，在每个训练周期结束后，该算法进一步通过动态调整数据扩充参数(如图像旋转角度、缩放比例等)来优化模型准确性。

为便于理解本发明的技术，下述给出示例性实施例以辅助理解。

实施例：黄河口埕岛海域海洋工程结构物侧扫声纳图像的识别。

1.数据获取：

从以往地球物理调查项目的资料数据中搜集资料，将所有非平坦海床的物体圈定并截图保存，尽可能多地保留各种清晰度、分辨率的图像。

2.数据预处理

依靠人工方法，将图像进行分类，此实施例中，共得到了海底管缆、采油平台、蚀余突起和海床这4类，共627个图像。同时，需要将图像进行归一化处理，以增强模型训练的稳定性。最后，将627个图像进行数据集划分。其中，训练集占比10％，测试集占比90％。即我们需要用少量的数据去预测大量的数据，这明显是与现有数据集划分方法不同的。现有划分方法为使用大量的数据训练，去预测少量数据，也就是按照80％：20％或者70％：30％进行划分，绝非本实施例使用的10％：90％。

3.数据扩展

为了验证数据扩展对模型预测准确率的影响，需要将10％的61个数据进行逐步或扩展。使用上述步骤3的算法，可以将少量图像扩展到指定的数量。因此，训练集分别为：61、100、200、500、1000、2000、1500、2000个图片，对应的试验命名为B1～B7(表1)。

表1训练集于数据集数量设置

4.模型训练

使用表1提供的7组训练集数据进行模型训练，建立相同结构的CNN模型。并使用相同的测试集对模型结果准确率进行检验。

5.准确性检验

7组数据预测的结果如图2所示，对每组训练数据都进行了40次重复性试验，结果显示，随着扩展数据量的增加，模型准确率迅速增加，但是增加到一定数量之后就难以继续增加。这表明了本发明提出的图像扩充算法对模型预测结果有着较大的提升。在本实施例中，经过图像数据扩充后，能够从准确率83％左右提高到超过90％。因此，在原始图像有限的情况下，本发明提出的算法有效可行，能够提高模型的准确率。

需要说明的是：

本实施例所用的方法，可转化为可存储于计算机存储介质中的程序步骤及装置，通过被控制器调用执行的方式进行实施，其中所述装置应当被理解为计算机程序实现的功能模块。

在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

例如，图3示出了根据本发明一个实施例的电子设备的结构示意图。该电子设备传统上包括处理器31和被安排成存储计算机可执行指令(程序代码)的存储器32。存储器32可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器32具有存储用于执行实施例中的任何方法步骤的程序代码34的存储空间33。例如，用于程序代码的存储空间33可以包括分别用于实现上面的方法中的各种步骤的各个程序代码34。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘，紧致盘(CD)、存储卡或者软盘之类的程序代码载体。这样的计算机程序产品通常为例如图4所述的计算机可读存储介质。该计算机可读存储介质可以具有与图3的电子设备中的存储器32类似布置的存储段、存储空间等。程序代码可以例如以适当形式进行压缩。通常，存储单元存储有用于执行根据本发明的方法步骤的程序代码41，即可以由诸如31之类的处理器读取的程序代码，当这些程序代码由电子设备运行时，导致该电子设备执行上面所描述的方法中的各个步骤。

应该注意的是所述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。