基于声呐图像的水下目标识别研究综述

水下目标识别是水下无人探测的一项核心技术,在军事和民用领域都有重要的应用。根据当前的水下目标识别研究进展,全面阐述基于声呐图像的水下目标识别原理和方法,对总结研究现状、发现存在的问题以及挖掘潜在的研究方向具有积极意义。针对基于声呐图像的水下目标识别问题,论述了图像去噪、 图像分割以及水下目标识别等方面的主要进展,阐述了基于深度学习实现声呐图像目标识别的最新技术发展现状。通过对水下目标处理过程的讨论和分析,指出基于声呐图像的水下目标识别算法中亟需解决的关键科学问题及可能的解决思路,并对该领域的未来发展方向做了进一步的展望。     

深度学习在水声目标识别中的应用研究

水声目标识别技术是水声信号处理的重要组成部分，是水声信息获取与水声信息对抗的重要技术支撑。针对水声目标识别时探测数据量大、自动化程度不高、识别效率低下等问题，研究了深度学习在水声目标识别中的应用。首先，介绍了水声目标识别技术的研究现状及当前形势下面临的挑战。然后，对深度学习的网络结构原理及改进型进行了分析，并分别对深度学习在水声声信号识别领域和水声图像信号识别领域的应用现状做了阐述。最后，指出了由于受当前技术条件和水下复杂环境的制约，此方法尚且存在着不足之处。该方法为进一步优化深度学习算法、拓展深度学习技术应用范畴、提升水声目标识别效率提供了参考。     

基于侧扫声呐的水下小目标检测技术研究

针对水下小目标探测与识别难的问题,开展基于侧扫声呐的声呐图像滤波、图像分割及目标提取方法研究。常规滤波方法难以有效清除图像中存在的噪声,从而造成图像质量下降。采用非局部均值滤波算法与 GPU 加速的方法,在获得声呐图像较好处理效果的同时,满足水下小目标检测实时性的要求;同时, 采用膨胀算法与 Canny 边缘检测算法相结合的方式,实现了水下真假目标的有效区分。     

基于深度学习的声呐图像目标检测系统

声呐图像目标检测是实现水下勘探、海底救援、敌对目标侦查等任务的重要环节,深度学习相关技术的突破为该领域的发展带来了新的机遇。基于深度学习的声呐图像目标检测算法性能优于传统方法,然而相关的系统性研究与应用仍然不足。鉴于此,利用深度学习模型数据驱动的优势设计了一种声呐图像目标检测系统,以满足实际应用对系统精度、速度、可移植性、可扩展性、部署环境的需求。该系统由数据集生成、算法模型训练与测试、模型部署应用 3 个子系统组成,应用于水下可疑目标探测任务,实验结果表明：所实现的目标检测系统在测试数据上和实际应用中均具有良好的性能。     

基于水声环境空间中多模态深度融合模型的目标识别方法研究

随着对水下目标特性研究的深入和声学探测技术的发展,基于单模态的阵列式信息融合或基于空间信息的分布式信息融合的水下目标识别方法研究已有一定成果,但针对复杂海况导致单一物理场或单一融合层次的系统识别性能提高有限等方面影响的水下目标识别方法研究还有所不足,因此,开展基于多模态深度融合模型的水下目标识别方法研究可利用模态互补,共享信息而提升识别率。文中在国内外研究基础上,深入研究了基于到达时差法和多模态方法组合的检测方法,初步形成了基于水声环境空间中多模态深度融合模型的识别框架,开展了海洋中典型自然与人为事件的信号分析与特征提取,并在此基础上,设计新型基于海底基站的被动识别系统。该系统同步记录和由位置等组成的时间序列标记声、磁和压数据,可实现高精度、高分辨率的识别。本研究可满足未来海洋观测对高性能水下目标探测、定位和跟踪系统的迫切需要,为海洋安全监管、海洋突发事件应急响应等领域提供新的技术手段和科学参考。     

基于视觉的水雷目标识别方法研究

水下目标识别一直是目标识别领域的研究热点,为此,以水雷目标识别为需求背景提出了一种基于视觉的水雷目标识别方法。该方法从水雷目标形状的本质特征出发,根据几何矩的物理意义,结合区域特征和边界特征构造了三个适合于水雷目标形状描述子,采用阈值判决的方法,实现水雷目标的识别。实验结果表明,该方法比基于不变矩的方法识别率更高,具有较好的稳定性,尤其适用于水下特定形状的目标识别和目标受到部分遮挡的情况。其中水下图像处理和特征的定义方法对水下目标识别具有指导和借鉴意义。     

激光-声联合探测中水表面声波检测方法进展

激光-声联合探测技术在空基-水下通信、水下目标探测及海洋环境检测等领域具有巨大的应用潜力,对于国家安全、资源勘探和海洋监测等具有重大意义。其中,水表面波检测技术是激光-声探测的关键技术。系统研究了水表面波检测技术中常用的激光衍射法、光通量法、激光多普勒测振法和激光干涉法等方法,系统阐述和分析了其技术原理、发展现状及存在的问题,结合我国当前的现状和迫切需求,给出了水表面波检测技术的发展趋势,对该技术的研究和发展具有很好的参考价值。     

基于LOG算子的侧扫声呐图像水下小目标检测算法研究

针对侧扫声呐图像噪声干扰严重、分辨率低、目标轮廓模糊等特点，提出了一种基于LOG算子的侧扫声呐图像水下小目标检测算法。首先，根据侧扫声呐图像中水下小目标成像特点，对声呐图像进行滤波及聚类分割，大幅降低图像中噪声；然后，采用斑点检测思想，提取侧扫声呐图像中疑似目标区域；最后，基于自动阈值分割算法对声呐图像进行分割，获取目标区域二值图像，使用二阶矩估计目标尺度，剔除虚假目标，最终实现水下小目标准确检测。实验结果表明：该方法计算速度快、检测成功率高，对侧扫声呐图像中的水下小目标具有良好的检测效果。     

基于多波束前视声呐的水下静态目标的探测识别技术

基于声呐的水下目标检测是具有重要意义的研究课题。由于声呐图像质量差、对比度低、边缘模糊等,基于特征提取的识别方法在精度和速度上无法满足现有要求。鉴于此,将基于卷积神经网络的 YOLOv3 引入声呐图像的目标识别任务中,首先通过动态亮度分配和中值滤波对图像进行预处理建立数据集,然后对 YOLOv3 模型进行训练和测试,最后根据静态目标的位置不变去除虚假目标,降低误检率。实验结果表明： 较之现有的特征提取识别算法,本算法具有更高的效率和更低的误检率。     

基于稀疏贝叶斯学习的水下电场测向方法

水下电场是一种可用于对水下目标进行探测和识别的重要物理场,通过高灵敏度、低自噪声的水下电场探测系统,可实现对水下目标电场信号的远程测向。针对水下目标测向问题,提出了一种基于稀疏贝叶斯学习的水下电场测向方法。该方法采用多个探测单元同时采集处理水下目标辐射的交变电场信号,再通过稀疏贝叶斯学习方法,实现对目标电场信号波达方向的估计,最终估计出目标与探测系统的相对方位。通过湖上试验,验证了该方法的可行性与鲁棒性。相对于常规波束形成算法,在一定测试场景下,该方法对 16 Hz 频率的正弦波电场信号的测向精度提高了 4.8°。