【技术实现步骤摘要】
本专利技术属于水下探测与管道检测，具体说是一种自适应形状的侧扫声呐图像管道检测方法。
技术介绍
1、侧扫声呐技术，作为海底地形与障碍物探测的重要手段，广泛应用于海洋工程、水下考古及管道检测等领域。该技术通过发射声波并接收海底反射信号，生成高分辨率的二维图像，能够详细揭示海底地貌、管道布局及其周围环境的特征。然而，在实际应用中，侧扫声呐图像的解析与处理过程仍存在诸多限制，制约了其检测效率与准确性的进一步提升。
2、传统的侧扫声呐图像解析方法主要依赖于人工目视解译，这种方法需要专业人员具备丰富的经验和专业知识，对图像进行细致分析，以准确识别管道的位置、形态及潜在缺陷。然而，人工解译不仅耗时费力，而且易受主观因素影响，导致检测结果的不稳定性和不确定性。此外，基于目标检测算法的自动化处理方法也在一定程度上被应用于侧扫声呐图像解析中。然而，这些方法在检测管道等目标时，通常只能输出目标的边界框，无法精确描绘目标的实际形状和位置。这种框状的检测结果存在明显局限性，不仅位置不准确，易受海底复杂环境(如泥沙覆盖、生物附着等)的影响，而且无法适应目标形态的变化(如管道的弯曲、分支等)，进一步降低了检测结果的准确性和可靠性。
3、因此，亟需一种能够更高效、更准确地解析侧扫声呐图像，自动识别并精确描绘海底管道等目标形状和位置的方法。该方法应能够摆脱对人工辅助和外部设备的依赖，实现自动化、连续化的检测过程，以满足日益增长的海底探测需求。同时，该方法还应具备较高的稳定性和可靠性，能够适应复杂多变的海底环境，为海底管道的安全监测和状态
技术实现思路
1、本专利技术目的是提供一种侧扫声呐图像的自适应形状的管道检测方法。该方法能够直接输出图像的检测结果，包括目标是否存在以及目标的多个坐标点，通过连线这些坐标点，即可获得检测目标的边界图。
2、本专利技术为实现上述目的所采用的技术方案是：一种自适应形状的侧扫声呐图像管道检测方法，包括以下步骤：
3、1)侧扫声呐将获取待检测的侧扫声呐管道图像数据发送至特征提取模块进行特征提取，将提取到的管道图像数据发送至transformer模块；
4、2)通过卷积神经网络构建特征提取模块，通过卷积层、池化层结构对输入图像进行逐层处理，从输入的侧扫声呐管道图像数据中逐步提取特征向量数据，并发送至transformer模块；
5、3)通过transformer模块建立transformer模型，并对引入的object query向量进行修改，得到修改后的object query向量和特征提取模块生成的检测结果后；
6、4)将修改后的object query向量和特征提取模块生成的检测结果后输入至引入反馈机制的transformer模型中，输出的q_s向量作为object query向量的补充；得到更新后的object query向量，并再次输入至transformer模型中；
7、5)transformer模型输出检测图像中是否存在管道目标以及对应管道目标的m个坐标点；
8、6)根据输出的管道目标的m个坐标点，通过连线操作，得到检测管道目标的边界图。
9、所述修改后的object query向量的形状调整为：目标数量、每个目标的关键点数和对应特征维度的组合。
10、所述步骤2)，具体为：
11、所述transformer模型，包括：编码器和译码器；
12、编码器，用于处理输入的特征向量数据，并将其转换为一系列编码向量；
13、所述特征向量数据，包括：图像中的颜色、纹理、形状的底层特征以及高层次的语义特征；
14、译码器则根据编码向量和后续引入的object query生成检测结果。
15、步骤3)中，所述对引入的object query向量进行修改，得到修改后的objectquery向量，具体为：
16、1-1)确定需要处理的管道目标数量，每个管道目标的关键点数以及每个关键点的特征维度；
17、其中，确定目标数量，即图像中可能出现的管道数量；每个目标的关键点数，即管道的端点、中点和设定标志点；特征维度，用于表示目标特征的向量长度；
18、1-2)计算目标数量和总关键点数：
19、计算目标数量与每个目标的关键点数的乘积，得到总的关键点数，以实现确定新的object query向量形状的长度；
20、所述object query为可学习的向量，用于指导特征提取模块生成检测结果；
21、所述步骤4)，具体为：
22、2-1)将修改后的object query输入至transformer模型中，transformer模型的输出接入一个可训练的mlp模块，输出q_s向量；
23、其中，输出的所述q_s向量的形状为：(目标数，关键点数量，特征数)；
24、2-2)将q_s向量与原始的object query向量直接相加，形成更新后的objectquery向量，再次输入至transformer模型；
25、所述相加操作是按元素进行的，即q_s中的每个元素将与对应位置的原始objectquery元素相加，进而，原始的object query将被更新为包含更多关于目标及其关键点的信息的新向量，更新后的object query将再次被输入到transformer模型中进行迭代处理。
26、所述步骤5)中，transformer模型输出检测图像中是否存在管道目标，具体为：
27、3-1)transformer模型的输出特征向量f；将特征向量f输入mlp模块，改变特征向量f的维度，将transformer的输出向量转换为与类别数相匹配的维度，在此输出为形状为(目标数，2)的向量；
28、其中，(目标数，2)中2分别对应两个分类，即：目标是管道和不是管道；
29、3-2)将输出的向量(目标数，2)传输进入softmax层，softmax层将输出转换为概率分布，使目标输出的两个概率相加的和为1，得到最终的分类预测。
30、所述步骤6)中，transformer模型输出对应管道目标的m个坐标点，具体为：
31、4-1)transformer模型的输出特征向量f；将特征向量f输入另一个与分类任务并行的mlp模块，改变维度；
32、4-2)将transformer模型输出的特征向量f转换为与关键点的坐标数相匹配的维度，输出形状为(目标数，关键点数，坐标值)的向量；其中坐标值指x坐标、y坐标，即得到最终的坐标点预测。
33、所述transformer模型输出的所述特征向量f向量的形状为：(目标数，关键点数量，特征数)。
34、一种自适应形状的侧扫声呐图像管道检测方法的目标检测模型，包括：特征提取模块、transformer模块、输出本文档来自技高网...
【技术保护点】
1.一种自适应形状的侧扫声呐图像管道检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种自适应形状的侧扫声呐图像管道检测方法，其特征在于，所述修改后的Object Query向量的形状调整为：目标数量、每个目标的关键点数和对应特征维度的组合。
3.根据权利要求1所述的一种自适应形状的侧扫声呐图像管道检测方法，其特征在于，所述步骤2)，具体为：
4.根据权利要求1所述的一种自适应形状的侧扫声呐图像管道检测方法，其特征在于，步骤3)中，所述对引入的Object Query向量进行修改，得到修改后的Object Query向量，具体为：
5.根据权利要求1所述的一种自适应形状的侧扫声呐图像管道检测方法，其特征在于，所述步骤4)，具体为：
6.根据权利要求1所述的一种自适应形状的侧扫声呐图像管道检测方法，其特征在于，所述步骤5)中，transformer模型输出检测图像中是否存在管道目标，具体为：
7.根据权利要求1所述的一种自适应形状的侧扫声呐图像管道检测方法，其特征在于，所述步骤5)中，transf
8.根据权利要求6或7所述的一种自适应形状的侧扫声呐图像管道检测方法，其特征在于，所述transformer模型输出的所述特征向量f向量的形状为：(目标数，关键点数量，特征数)。
9.根据权利要求1所述的一种自适应形状的侧扫声呐图像管道检测方法的目标检测模型，其特征在于，包括：特征提取模块、Transformer模块、输出层；
10.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1-8任一项所述的一种自适应形状的侧扫声呐图像管道检测方法。
...【技术特征摘要】
1.一种自适应形状的侧扫声呐图像管道检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种自适应形状的侧扫声呐图像管道检测方法，其特征在于，所述修改后的object query向量的形状调整为：目标数量、每个目标的关键点数和对应特征维度的组合。
3.根据权利要求1所述的一种自适应形状的侧扫声呐图像管道检测方法，其特征在于，所述步骤2)，具体为：
4.根据权利要求1所述的一种自适应形状的侧扫声呐图像管道检测方法，其特征在于，步骤3)中，所述对引入的object query向量进行修改，得到修改后的object query向量，具体为：
5.根据权利要求1所述的一种自适应形状的侧扫声呐图像管道检测方法，其特征在于，所述步骤4)，具体为：
6.根据权利要求1所述的一种自适应形状的侧扫声呐图像管道检测方法，其特征在于，所述步...
【专利技术属性】
技术研发人员：杨本超，徐会希，邵刚，胡弘炎，贾栋，
申请(专利权)人：中国科学院沈阳自动化研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。