本发明涉及数据处理，具体涉及一种水下图像数据处理方法、系统及电子设备。
背景技术：
1、随着水下探测技术的发展，水下数据的收集和分析变得越来越重要。现有的水下数据收集方法主要依赖于人工操作，效率低下且成本高昂。此外，水下环境复杂多变，传统的图像处理技术难以在水下环境中实现高效、准确的目标检测。
2、因此，亟需一种基于先进深度学习模型的水下数据集收集系统，以提高数据收集的效率和准确性。
技术实现思路
1、针对现有技术的不足，本发明的目的在于提供一种水下图像数据处理方法、系统及电子设备，本发明通过基于yolo模型的深度学习算法对水下图像进行图像处理与目标检测，能够对水下图像中的目标物进行精准分类，从而解决现有技术中对水下图像中目标物进行分类时分类精度不高导致后续利用价值较低的问题。
2、本发明的第一方面在于提供一种水下图像数据处理方法，所述方法包括：
3、通过预设的水下采集设备实时采集水下图像与水下环境，并进行传输以获取所述水下图像与所述水下环境；
4、基于yolo模型的深度学习算法，结合所述水下环境对所述水下图像进行图像处理和目标检测；
5、将所述水下图像中经过检测判定为不同类别的子图像分别存储于不同的存储路径中，并对应创建每个子图像的图像索引；
6、其中，基于yolo模型的深度学习算法，结合所述水下环境对所述水下图像进行图像处理和目标检测的步骤中，对所述水下图像进行目标检测的步骤，包括：
7、结合所述水下环境，将所述水下图像导入yolo模型的卷积层与池化层，提取多尺度的特征图；
8、将所述特征图导入yolo模型的全连接层，生成所述特征图中边界框的中心坐标与置信度；
9、根据所述边界框的中心坐标与置信度，分别预测每个所述边界框在多个所属类别的类别概率，并进行归一化处理；
10、对预测的所述边界框进行非极大值抑制，以筛选去除重叠度大于预设值的边界框，保留置信度最大的边界框。
11、根据上述技术方案的一方面，结合所述水下环境，将所述水下图像导入yolo模型的卷积层与池化层，提取多尺度的特征图的步骤中，计算表达式为：
12、；
13、式中，为第层的特征图像素值，为卷积核在垂直方向上的位置偏移，为卷积核在水平方向上的位置偏移，为卷积核，为偏置，为激活函数。
14、根据上述技术方案的一方面，将所述特征图导入yolo模型的全连接层，生成所述特征图中边界框的中心坐标与置信度的步骤中，中心坐标与置信度的元组表示为：
15、；
16、式中，为目标存在的置信度，为边界框的中心坐标，和分别为边界框的宽度与高度。
17、根据上述技术方案的一方面，根据所述边界框的中心坐标与置信度，分别预测每个所述边界框在多个所属类别的类别概率，并进行归一化处理的步骤中，计算表达式为：
18、；
19、式中，为给定边界框内目标属于第类的概率，为第类的得分。
20、根据上述技术方案的一方面，对预测的所述边界框进行非极大值抑制，以筛选去除重叠度大于预设值的边界框，保留置信度最大的边界框的步骤中，计算表达式为：
21、；
22、式中，为交并比，与分别为两个边界框。
23、根据上述技术方案的一方面，基于yolo模型的深度学习算法，结合所述水下环境对所述水下图像进行图像处理和目标检测的步骤中，对所述水下图像进行图像处理的步骤，包括：
24、对所述水下图像进行去噪处理、色彩校正与格式转换。
25、根据上述技术方案的一方面，对所述水下图像进行去噪处理的步骤采用非局部均值算法实现，计算表达式为：
26、；
27、式中，为处理后的像素值，为邻近像素值，为去噪后的像素值，为像素间距，与均为滤波参数，为归一化因子。
28、根据上述技术方案的一方面，对所述水下图像进行色彩校正的步骤采用白平衡算法实现，计算表达式为：
29、；
30、式中，为校正后的像素值，为通道增益系数，为原始像素值。
31、本发明的第二方面在于提供一种水下图像数据处理系统，所述系统应用于上述技术方案当中所述的方法，所述系统包括：
32、数据获取模块，用于通过预设的水下采集设备实时采集水下图像与水下环境，并进行传输以获取所述水下图像与所述水下环境；
33、数据处理模块，用于基于yolo模型的深度学习算法，结合所述水下环境对所述水下图像进行图像处理和目标检测；
34、分类存储模块，用于将所述水下图像中经过检测判定为不同类别的子图像分别存储于不同的存储路径中，并对应创建每个子图像的图像索引。
35、本发明的第三方面在于提供一种电子设备，包括存储器、处理器以及存储在所述存储器上并可实现所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述技术方案当中所述的方法。
36、与现有技术相比，采用本发明所示的水下图像数据处理方法、系统及电子设备，有益效果在于：
37、本发明通过采用水下采集设备实时采集水下图像与水下环境，然后进行传输，之后将通过yolo模型的深度学习算法，根据水下环境的特定环境对水下图像进行图像处理与目标检测，具体是将水下图像导入yolo模型的卷积层与池化层，提取多尺度的特征图，然后将特征图导入全连接层，生成特征图中边界框的中心坐标与置信度，然后基于该中心坐标与置信度分别预测每个边界框在多个所属类别的类别概率并进行归一化处理，之后进行非极大值抑制以得到置信度最大的边界框，以精准预测目标类别，解决了现有技术中对水下图像中目标物进行分类时分类精度不高导致后续利用价值较低的问题。
1.一种水下图像数据处理方法，其特征在于，所述方法包括：
2.根据权利要求1所述的水下图像数据处理方法，其特征在于，结合所述水下环境，将所述水下图像导入yolo模型的卷积层与池化层，提取多尺度的特征图的步骤中，计算表达式为：
3.根据权利要求1所述的水下图像数据处理方法，其特征在于，将所述特征图导入yolo模型的全连接层，生成所述特征图中边界框的中心坐标与置信度的步骤中，中心坐标与置信度的元组表示为：
4.根据权利要求1所述的水下图像数据处理方法，其特征在于，根据所述边界框的中心坐标与置信度，分别预测每个所述边界框在多个所属类别的类别概率，并进行归一化处理的步骤中，计算表达式为：
5.根据权利要求1所述的水下图像数据处理方法，其特征在于，对预测的所述边界框进行非极大值抑制，以筛选去除重叠度大于预设值的边界框，保留置信度最大的边界框的步骤中，计算表达式为：
6.根据权利要求1-5任一项所述的水下图像数据处理方法，其特征在于，基于yolo模型的深度学习算法，结合所述水下环境对所述水下图像进行图像处理和目标检测的步骤中，对所述水下图像进行图像处理的步骤，包括：
7.根据权利要求6所述的水下图像数据处理方法，其特征在于，对所述水下图像进行去噪处理的步骤采用非局部均值算法实现，计算表达式为：
8.根据权利要求6所述的水下图像数据处理方法，其特征在于，对所述水下图像进行色彩校正的步骤采用白平衡算法实现，计算表达式为：
9.一种水下图像数据处理系统，其特征在于，所述系统应用于权利要求1-8任一项所述的方法，所述系统包括：
10.一种电子设备，包括存储器、处理器以及存储在所述存储器上并可实现所述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1-8任一项所述的方法。
