基于水下激光选通成像的渔网识别方法、装置、设备和介质

1.本公开涉及水下目标识别领域，具体涉及一种基于水下激光选通成像的渔网识别方法、装置、设备和介质。


背景技术：

2.随着渔业和海水养殖业的快速发展，在海洋中发现的渔网越来越多。然而，废弃渔网是海洋污染的重要组成部分，会对海洋栖息地和生态造成严重危害，此外，在进行水下工程作业时，水下无人潜航器也可能会被渔网缠绕，导致潜航器失去动力而瘫痪，因此，开发高效的水下渔网检测和识别方法至关重要。现有的基于光学图像的渔网识别方法大多采用基于人工设计的特征识别方法，如渔网网孔、结点、网线角度分布等特征描述符，通过去噪、二值化、霍夫变换等精细设计的图像处理操作提取特征，进而识别渔网，但这些方法适用于展开的渔网和没有或有弱噪声的图像，对于水下无人潜航器拍摄的真实图像往往受到水体散射效应、背景干扰、虚焦和运动模糊的影响，导致人工设计的特征描述符难以有效工作，对渔网的识别造成很大的困难，比如识别失效或误报。此外，人工设计的特征描述符依赖于具体应用场景的设计，如未考虑到实际应用中的具体问题，如生物附着、渔网折叠等，其识别率将会受到较大影响。


技术实现要素：

3.(一)要解决的技术问题
4.鉴于上述问题，本公开提供了一种基于水下激光选通成像的渔网识别方法、装置、设备和介质，以至少部分解决目前水下强散射环境下渔网识别准确率低、误报率高、鲁棒性差和容易受到干扰等问题。
5.(二)技术方案
6.本公开一方面提供一种基于水下激光选通成像的渔网识别方法，包括：获取水下激光选通原始图；将所述水下激光选通原始图输入到预先训练好的渔网识别模型之中，其中，包括：基于所述水下激光选通原始图，通过编码器提取特征，进行向量化处理，获取特征向量；通过全连接层计算所述特征向量，输出表示所述水下激光选通原始图是否包含渔网的独热码。
7.根据本公开的实施例，训练所述渔网识别模型包括训练图像分割神经网络和训练图像分类神经网络：获取空气中渔网图像和水体后向散射噪声图像，进行叠加，合成水下渔网图像；输入所述合成水下渔网图像，进行二值化处理，输出含有渔网网线的二值化图像；基于所述空气中渔网图像对应的二值渔网网线图像，计算所述二值化图像和所述二值渔网网线图像的相似度，训练所述图像分割神经网络；获取水下图像；输入所述水下图像，进行向量化处理，获取所述特征向量，基于所述特征向量，输出所述独热码；计算所述独热码与所述独热码类别标签的差值，训练所述图像分类神经网络。
8.根据本公开的实施例，所述训练图像分割神经网络包括：获取所述空气中渔网图
像和所述水体后向散射噪声图像，并通过阈值分割算法得到所述空气中渔网图像对应的所述二值渔网网线图像；叠加所述空气中渔网图像和所述水体后向散射噪声图像，形成所述合成水下渔网图像，并建立所述合成水下渔网图像和所述二值渔网网线图像的数据集；输入所述合成水下渔网图像，通过所述编码器检测所述合成水下渔网图像的特征，进行向量化处理，提取特征向量；基于所述特征向量和所述合成水下渔网图像，通过解码器生成图像中包含渔网网线的所述二值化图像；计算所述二值化图像和所述二值渔网网线图像的相似度，训练所述图像分割神经网络。
9.根据本公开的实施例，所述训练图像分类神经网络包括：获取所述水下图像，并建立包含所述水下图像及所述水下图像对应的所述独热码类别标签的数据集；输入所述水下图像，通过所述编码器提取所述水下图像的特征向量；保留所述编码器的网路结构和权重，增加所述全连接层，通过所述全连接层计算所述特征向量，输出所述独热码；计算所述独热码与所述独热码类别标签的差值，训练所述图像分类神经网络。
10.根据本公开的实施例，所述计算所述二值化图像和所述二值渔网网线图像的相似度包括：采用bce损失函数，计算所述二值化图像和所述二值渔网网线图像的相似度，训练所述编码器的参数，直至所述bce损失函数表示所述二值化图像和所述二值渔网网线图像的相似度大于或等于第一阈值。
11.根据本公开的实施例，所述计算所述独热码与所述独热码类别标签的差值包括：采用交叉熵损失函数，计算所述独热码与所述独热码类别标签的差值，训练所述全连接层的参数，直至所述交叉熵损失函数表示所述独热码和所述独热码类别标签的差值小于或等于第二阈值。
12.根据本公开的实施例，所述获取水下激光选通原始图包括：采用脉冲激光器发射激光脉冲，选通成像器件作为探测器探测选通脉冲，对水下区域预设距离范围内的目标进行探测，根据所述探测信号，采集所述水下激光选通原始图。
13.本公开的第二方面提供了一种基于水下激光选通成像的渔网识别装置，包括：获取模块，用于获取水下激光选通原始图；输入模块，用于将所述水下激光选通原始图输入到预先训练好的渔网识别模型之中；特征提取模块，用于基于所述水下激光选通原始图，通过编码器提取特征，进行向量化处理，获取特征向量；渔网识别模块，用于通过全连接层计算所述特征向量，输出表示所述水下激光选通原始图是否包含渔网的独热码。
14.本公开的第三方面提供了一种电子设备，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，其特征在于，所述处理器执行所述计算机程序时，实现所述的渔网识别方法中的各个步骤。
15.本公开的第四方面还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现所述的渔网识别方法中的各个步骤。
16.(三)有益效果
17.1、本公开提供的基于水下激光选通成像的渔网识别方法、装置、设备和介质，通过预先训练的渔网识别模型识别水下图像中是否包含渔网，其参数可以从建立的数据集中学习，不需要人工设计特征描述子，从而有效扩展了对不同应用环境中渔网识别方法的适用性。
18.2、本公开提供的基于水下激光选通成像的渔网识别方法、装置、设备和存储介质，
通过保留编码器的网路结构和权重，用图像分割任务引导图像分类任务训练，有助于神经网络学习到目标的特征信息，从而提高渔网识别的准确率。
19.3、本公开提供的基于水下激光选通成像的渔网识别方法、装置、设备和介质，在训练图像分割神经网络时采用空气中渔网图像和水体后向散射噪声图像叠加的合成水下渔网图像作为输入，解决了水下渔网图像数据集难以获取、场景单一、图像数量少的问题，有助于避免神经网络训练的过拟合现象，提高渔网识别算法的鲁棒性。
附图说明
20.为了更完整地理解本公开及其优势，现在将参考结合附图的以下描述，其中：
21.图1示意性示出了根据本公开实施例的基于水下激光选通成像的渔网识别方法的流程图；
22.图2示意性示出了本公开实施例提供的基于水下激光选通成像的渔网识别方法的工作原理示意图；
23.图3示意性示出了本公开实施例提供的用于训练渔网识别模型的数据集图像，包括：(a)空气中渔网图像，(b)空气中渔网图像对应的二值渔网网线图像，(c)水下渔网图像，(d)水下非渔网图像；
24.图4示意性示出了本公开实施例提供的渔网识别模型训练过程中训练集与测试集的准确率变化图像；
25.图5示意性示出了本公开实施例提供的基于水下激光选通成像的渔网识别装置的结构框图；
26.图6示意性示出了一种电子设备的硬件结构图。
具体实施方式
27.以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
28.在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
29.在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
30.附图中示出了一些方框图和/或流程图。应理解，方框图和/或流程图中的一些方框或其组合可以由计算机程序指令来实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而这些指令在由该处理器执行时可以创建用于实现这些方框图和/或流程图中所说明的功能/操作的装置。
31.如图1所示，基于水下激光选通成像的渔网识别方法的流程图包括：
32.s1：获取水下激光选通原始图；
33.s2：将水下激光选通原始图输入到预先训练好的渔网识别模型之中；
34.s3：基于水下激光选通原始图，通过编码器提取特征，进行向量化处理，获取特征向量；
35.s4：通过全连接层计算特征向量，输出表示水下激光选通原始图是否包含渔网的独热码。
36.本公开实施例提供的基于水下激光选通成像的渔网识别方法，利用激光选通成像技术获取水下激光选通原始图，通过渔网识别模型对水下激光选通原始图进行识别，可以解决目前水下强散射环境下渔网识别准确率低、误报率高、鲁棒性差和容易受到干扰等问题。
37.图2示意性示出了本公开实施例提供的基于水下激光选通成像的渔网识别方法的原理示意图。
38.如图2所示，训练渔网识别模型包括训练图像分割神经网络和训练图像分类神经网络，具体为：获取空气中渔网图像和水体后向散射噪声图像，进行叠加，合成水下渔网图像；输入所述合成水下渔网图像，进行二值化处理，输出含有渔网网线的二值化图像；基于所述空气中渔网图像对应的二值渔网网线图像，计算所述二值化图像和所述二值渔网网线图像的相似度，训练所述图像分割神经网络；获取水下图像；输入所述水下图像，进行向量化处理，获取所述特征向量，基于所述特征向量，输出所述独热码；计算所述独热码与所述独热码类别标签的差值，训练所述图像分类神经网络。
39.训练图像分割神经网络采用的是合成水下渔网图像，非真实的渔网图像，直接用于渔网识别任务会因为特征域的不同导致效果不好，采用两阶段的训练方法，分别训练图像分割神经网络和图像分类神经网络，通过训练“部分”神经网络，用图像分割任务做预训练，可以有效利用合成的渔网图像数据，同时不会对真实的渔网图像的识别造成负面影响。
40.具体地，训练图像分割神经网络包括：获取所述空气中渔网图像和所述水体后向散射噪声图像，并通过阈值分割算法得到所述空气中渔网图像对应的所述二值渔网网线图像；叠加所述空气中渔网图像和所述水体后向散射噪声图像，形成所述合成水下渔网图像，并建立所述合成水下渔网图像和所述二值渔网网线图像的数据集；输入所述合成水下渔网图像，通过所述编码器检测所述合成水下渔网图像的特征，进行向量化处理，提取特征向量；基于所述特征向量和所述合成水下渔网图像，通过解码器生成图像中包含渔网网线的所述二值化图像；计算所述二值化图像和所述二值渔网网线图像的相似度，训练所述图像分割神经网络。
41.空气中渔网图像在空气中采集，只包含渔网的网线部分，不包含除渔网外的其他目标和背景，不同图像应包含不同网线粗细、网孔大小、材质、姿态的渔网，采集的无背景的空气中渔网图像如图3(a)所示。采用的阈值分割算法可以是全局阈值分割算法、最大类间方差法、迭代式阈值分割算法等，对应的二值渔网网线图像如图3(b)所示。通过调整水体后向散射噪声权重的系数，来叠加空气中渔网图像和水体后向散射噪声图像。网络结构分为编码器和解码器两部分，其中，编码器是一个卷积神经网络，由卷积层和池化层等构成，编码器用于检测输入图像，即合成水下渔网图像的特征，进行向量化处理，提取特征向量，特征向量为n
×
1维，维数与输入图像的尺寸、卷积参数、池化层数有关；解码器也是一个卷积
神经网络，由反卷积层和卷积层等构成，解码器用于利用特征向量和合成水下渔网图像生成图像中包含特定目标的二值化图像。
42.训练图像分割神经网络通过利用空气中渔网图像和水体后向散射噪声图像叠加形成的合成水下渔网图像对渔网识别模型进行预训练，使所用的渔网识别模型具有更强的特征提取的能力，解决水下渔网图像数据较少容易使网络过拟合等问题，提高渔网识别准确率和鲁棒性。通过预先训练图像分割神经网络，其参数可以从建立的数据集中学习，不需要人工设计特征描述子，从而有效扩展了对不同应用环境中识别算法的适用性。同时，编码器获得提取渔网特征的能力，为下一步训练图像分类神经网络创造条件。
43.在本公开实施例中，训练图像分类神经网络包括：获取所述水下图像，并建立包含所述水下图像及所述水下图像对应的所述独热码类别标签的数据集；输入所述水下图像，通过所述编码器提取所述水下图像的特征向量；保留所述编码器的网路结构和权重，增加所述全连接层，通过所述全连接层计算所述特征向量，输出所述独热码；计算所述独热码与所述独热码类别标签的差值，训练所述图像分类神经网络。
44.采集的水下图像包括水下渔网图像和水下非渔网图像，采集的水下渔网图像如图3(c)所示，水下渔网图像包含不同网线粗细、网孔大小、材质、距离、姿态的渔网；水下非渔网图像如图3(d)所示，水下非渔网图像包含常见的水下非渔网目标，典型的水下非渔网目标包括水草、鱼类、水下工程设施等，水体后向散射噪声图像应在不同水质和照明条件下采集。在训练图像分类神经网络时，保留图像分割神经网络的编码器部分的结构和权重，结构指编码器部分的网络结构，如卷积层、池化层等，权重指卷积层的卷积核、偏置等参数，然后在编码器e后增加全连接层f，全连接层输出独热码，计算独热码与独热码类别标签的差值，一种典型的独热码标签为：1表示图像中包含渔网，0表示图像中不包含渔网。
45.通过在编码器后增加全连接层，用图像分割任务引导图像分类任务训练，有助于图像分类神经网络学习到目标的特征信息，提高渔网识别的准确率。同时，采用真实的水下图像训练图像分类神经网络，使图像分类神经网络对水下图像进行分类，并微调全连接层所包含的参数，输出是否为渔网的二值化标签，从而达到渔网识别的目的。
46.在本公开实施例中，计算二值化图像和二值渔网网线图像的相似度包括：采用bce损失函数，计算所述二值化图像和所述二值渔网网线图像的相似度，训练所述编码器的参数，直至所述bce损失函数表示所述二值化图像和所述二值渔网网线图像的相似度大于或等于第一阈值。
47.训练过程中，采用损失函数计算图像分割神经网络输出的二值化图像和二值渔网网线图像的相似度，一种典型的损失函数为bce损失函数。bce损失函数主要用于二分类问题，比如图像分类和文本分类，它可以用来衡量预测标签与真实标签之间的损失，从而帮助进行模型优化，在本公开中，帮助优化渔网识别模型中的图像分割神经网络。
48.在本公开实施例中，采用交叉熵损失函数，计算所述独热码与所述独热码类别标签的差值，训练所述全连接层的参数，直至所述交叉熵损失函数表示所述独热码和所述独热码类别标签的差值小于或等于第二阈值。
49.训练过程中，采用损失函数计算图像分类神经网络输出的独热码与独热码类别标签的差值，一种典型的损失函数为交叉熵损失函数，交叉熵能够衡量同一个随机变量中的两个不同概率分布的差异程度，在图像分类神经网络中就表示为独热码与预测的独热码类
别标签之间的差异。独热码和独热码类别标签的差值越小，图像分类神经网络的预测效果就越好。
50.在本公开实施例中，获取水下激光选通原始图包括：采用脉冲激光器发射激光脉冲，选通成像器件作为探测器探测选通脉冲，对水下区域预设距离范围内的目标进行探测，根据所述探测信号，采集所述水下激光选通原始图。
51.脉冲激光器的脉宽为t
l
，采用具有选通门功能的面阵图像传感器作为成像器件，其中选通门功能由门控像增强器实现，其选通门开启持续时间为tg，选通门开启与脉冲激光发出的延时为τ，选通门开启的时间范围为[τ，τ+tg]，只有来自距离范围的选通切片内的目标反射光和水体后向散射噪声会在选通门开启的时间范围内被成像器件接收，其中c0为真空中光速，n为水体折射率。采用的像增强器可以有效增强影像，并可以实现单光子计数探测，同时，在增强信号的同时，极少产生干扰。
[0052]
为了能使该方法能够清楚、详细的呈现本公开所提出的方法的有效性，本公开进行了实验验证，训练和测试数据通过水下激光距离选通成像系统采集，该系统采用中心波长为532nm、半高全宽为8ns、重复频率为30khz的脉冲固体激光器作为照明光源。成像器件为iccd，像素数为1360
×
1024，最小选通门宽3ns。相机视场角和激光光束发散角可通过变焦镜头进行调节。
[0053]
在训练图像分割神经网络时，训练集包括3140张空气中渔网图像，所采集的空气中渔网图像带有对应的二值渔网网线图像。在训练图像分类神经网络时，训练集包括3635张带独热类别编码标签的水下图像，其中2787张图像为负样本，即水下非渔网图像，包括水体后向散射、背景或其他非渔网物体如水生植物等，848张图像为正样本，即水下渔网图像。2787个负样本图像也被用作合成水下渔网图像的噪声项，用于训练图像分割神经网络。测试集包含909张带有独热码类别标签的水下激光选通原始图，包括208个正样本和701个负样本。训练图像分割神经网络共20个周期，训练图像分类神经网络共100个周期。图4显示了渔网识别模型训练过程中训练集与测试集的准确率变化。由实验结果可以发现，本公开可实现95.49％渔网识别准确率。
[0054]
根据本公开实施例提供的方法，通过预先训练的渔网识别模型识别水下图像中是否包含渔网，其参数可以从建立的数据集中学习，不需要人工设计特征描述子，从而有效扩展了对不同应用环境中渔网识别方法的适用性。保留编码器的网路结构和权重，用图像分割任务引导图像分类任务训练，有助于神经网络学习到目标的特征信息，从而提高渔网识别的准确率。在训练图像分割神经网络时采用空气中渔网图像和水体后向散射噪声图像叠加的合成水下渔网图像作为输入，解决了水下渔网图像数据集难以获取、场景单一、图像数量少的问题，有助于避免神经网络训练的过拟合现象，提高渔网识别算法的鲁棒性。
[0055]
基于上述渔网识别方法，本公开还提供了一种基于水下激光选通成像的渔网识别装置。以下将结合图5对该装置进行详细描述。
[0056]
如图5所示，该实施例的基于水下激光选通成像的渔网识别装置包括获取模块501、输入模块502、特征提取模块503及渔网识别模块504。
[0057]
获取模块501用于获取水下激光选通原始图。
[0058]
输入模块502用于将所述水下激光选通原始图输入到预先训练好的渔网识别模型
之中。
[0059]
特征提取模块503用于基于所述水下激光选通原始图，通过编码器提取特征，进行向量化处理，获取特征向量。
[0060]
渔网识别模块504用于通过全连接层计算所述特征向量，输出表示所述水下激光选通原始图是否包含渔网的独热码。
[0061]
根据本公开的实施例，获取模块501、输入模块502、特征提取模块503及渔网识别模块504中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，获取模块501、输入模块502、特征提取模块503及渔网识别模块504中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(fpga)、可编程逻辑阵列(pla)、片上系统、基板上的系统、封装上的系统、专用集成电路(asic)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，获取模块501、输入模块502、特征提取模块503及渔网识别模块504中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
[0062]
请参见图6，图6示出了一种电子设备的硬件结构图。
[0063]
本实施例中所描述的电子设备，包括：
[0064]
存储器61、处理器62及存储在存储器61上并可在处理器上运行的计算机程序，处理器执行该程序时实现前述图1所示实施例中描述的基于水下激光选通成像的渔网识别方法。
[0065]
进一步地，该电子设备还包括：
[0066]
至少一个输入设备63；至少一个输出设备64。
[0067]
上述存储器61、处理器62输入设备63和输出设备64通过总线65连接。
[0068]
其中，输入设备63具体可为摄像头、触控面板、物理按键或者鼠标等等。输出设备64具体可为显示屏。
[0069]
存储器61可以是高速随机存取记忆体(ram，random access memory)存储器，也可为非不稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器61用于存储一组可执行程序代码，处理器62与存储器61耦合。
[0070]
进一步地，本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质可以是设置于上述各实施例中的终端中。该计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现前述图1所示实施例中描述的基于水下激光选通成像的渔网识别方法。进一步地，该计算机可存储介质还可以是u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0071]
在本技术所提供的多个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互
之间的耦合或直接耦合或通信链接可以是通过一些接口，模块的间接耦合或通信链接，可以是电性，机械或其它的形式。
[0072]
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0073]
另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
[0074]
需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本发明所必须的。
[0075]
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
[0076]
以上为对本发明所提供的用户心理模型的构建方法、装置、电子设备及存储介质的描述，对于本领域的一般技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本发明的限制。

技术特征：
1.一种基于水下激光选通成像的渔网识别方法，其特征在于，包括：获取水下激光选通原始图；将所述水下激光选通原始图输入到预先训练好的渔网识别模型之中，其中，包括：基于所述水下激光选通原始图，通过编码器提取特征，进行向量化处理，获取特征向量；通过全连接层计算所述特征向量，输出表示所述水下激光选通原始图是否包含渔网的独热码。2.根据权利要求1所述的方法，其特征在于，训练所述渔网识别模型包括训练图像分割神经网络和训练图像分类神经网络：获取空气中渔网图像和水体后向散射噪声图像，进行叠加，合成水下渔网图像；输入所述合成水下渔网图像，进行二值化处理，输出含有渔网网线的二值化图像；基于所述空气中渔网图像对应的二值渔网网线图像，计算所述二值化图像和所述二值渔网网线图像的相似度，训练所述图像分割神经网络；获取水下图像；输入所述水下图像，进行向量化处理，获取所述特征向量，基于所述特征向量，输出所述独热码；计算所述独热码与所述独热码类别标签的差值，训练所述图像分类神经网络。3.根据权利要求2所述的方法，其特征在于，所述训练图像分割神经网络包括：获取所述空气中渔网图像和所述水体后向散射噪声图像，并通过阈值分割算法得到所述空气中渔网图像对应的所述二值渔网网线图像；叠加所述空气中渔网图像和所述水体后向散射噪声图像，形成所述合成水下渔网图像，并建立所述合成水下渔网图像和所述二值渔网网线图像的数据集；输入所述合成水下渔网图像，通过所述编码器检测所述合成水下渔网图像的特征，进行向量化处理，提取特征向量；基于所述特征向量和所述合成水下渔网图像，通过解码器生成图像中包含渔网网线的所述二值化图像；计算所述二值化图像和所述二值渔网网线图像的相似度，训练所述图像分割神经网络。4.根据权利要求3所述的方法，其特征在于，所述训练图像分类神经网络包括：获取所述水下图像，并建立包含所述水下图像及所述水下图像对应的所述独热码类别标签的数据集；输入所述水下图像，通过所述编码器提取所述水下图像的特征向量；保留所述编码器的网路结构和权重，增加所述全连接层，通过所述全连接层计算所述特征向量，输出所述独热码；计算所述独热码与所述独热码类别标签的差值，训练所述图像分类神经网络。5.根据权利要求3所述的方法，其特征在于，所述计算所述二值化图像和所述二值渔网网线图像的相似度包括：采用bce损失函数，计算所述二值化图像和所述二值渔网网线图像的相似度，训练所述编码器的参数，直至所述bce损失函数表示所述二值化图像和所述二值渔网网线图像的相
似度大于或等于第一阈值。6.根据权利要求4所述的方法，其特征在于，所述计算所述独热码与所述独热码类别标签的差值包括：采用交叉熵损失函数，计算所述独热码与所述独热码类别标签的差值，训练所述全连接层的参数，直至所述交叉熵损失函数表示所述独热码和所述独热码类别标签的差值小于或等于第二阈值。7.根据权利要求1所述的方法，其特征在于，所述获取水下激光选通原始图包括：采用脉冲激光器发射激光脉冲，选通成像器件作为探测器探测选通脉冲，对水下区域预设距离范围内的目标进行探测，根据所述探测信号，采集所述水下激光选通原始图。8.一种基于水下激光选通成像的渔网识别装置，其特征在于，包括：获取模块，用于获取水下激光选通原始图；输入模块，用于将所述水下激光选通原始图输入到预先训练好的渔网识别模型之中；特征提取模块，用于基于所述水下激光选通原始图，通过编码器提取特征，进行向量化处理，获取特征向量；渔网识别模块，用于通过全连接层计算所述特征向量，输出表示所述水下激光选通原始图是否包含渔网的独热码。9.一种电子设备，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，其特征在于，所述处理器执行所述计算机程序时，实现权利要求1至7中的任一项所述的渔网识别方法中的各个步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1至7中的任一项所述的渔网识别方法中的各个步骤。

技术总结
本公开提供了一种基于水下激光选通成像的渔网识别方法、装置、设备和介质，该渔网识别方法包括：获取水下激光选通原始图；将水下激光选通原始图输入到预先训练好的渔网识别模型之中，其中，包括：基于水下激光选通原始图，通过编码器提取特征，进行向量化处理，获取特征向量；通过全连接层计算特征向量，输出表示水下激光选通原始图是否包含渔网的独热码。水下激光选通原始图是否包含渔网的独热码。水下激光选通原始图是否包含渔网的独热码。


技术研发人员：张岳 王新伟 孙亮 周燕 刘育梁
受保护的技术使用者：中国科学院半导体研究所
技术研发日：2023.07.14
技术公布日：2023/10/20