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。     

基于多模态感知的水下目标检测应用构想

水下目标检测在海洋生物研究、考古探索、军事防御等多领域广泛应用,随着人工智能快速发展,水下目标检测也朝着无人化、智能化发展。深度学习采用神经网络挖掘信息特征,在速度和精度上均表现出优异的性能,成为了计算机视觉技术的主流算法,然而水下环境复杂,将其应用于水下图像目标检测仍存在较大的挑战。水下目标各模态信息互补,特征丰富,有利于目标检测识别,因此结合应用场景调研现有技术,然后设计基于深度学习的多模态水下目标检测系统,同时对比分析了现有关键技术的优缺点,最后对多模态目标检测系统未来发展进行总结与展望,具有重要意义。     

水下图像目标检测研究综述

在海洋开发的环境下,水下物体探测技术得到广泛应用,随着水下机器人与计算机技术的发展,该技术越来越受到研究人员的重视。根据当前的水下图像目标检测研究进展,简要介绍水下图像目标检测流程（即图像采集、图像的预处理、以及图像检测的方法）,对总结发展现状、发现技术的不足及挖掘未来的研究方向有重要意义。针对基于光学图像的水下目标识别问题,论述了图像采集、图像的预处理、以及图像检测等方面的主要进展,阐述了基于深度学习实现水下图像目标识别的技术发展现状。通过对水下目标处理过程的讨论和分析,指出水下图像目标识别领域中需要解决的问题,并预测该领域技术发展趋势。     

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。     

基于改进YOLOv5网络的侧扫声纳图像目标检测方法

为构建适合不同测量平台搭载以及满足不同任务需求的高效侧扫声纳图像目标检测网络,将高性能轻量级目标识别网络PP-LCNet引入YOLOv5目标检测框架,并通过调整网络卷积层的通道数,构建了8种不同大小的高性能水下目标检测网络模型。以水下沉船目标为例进行了目标检测试验,结果表明,当网络主干改进为PP-LCNet-1.5x和PP-LCNet-2.0x时,检测精度(mAP)可分别达0.845和0.849,较原始YOLOv5s分别提升了0.024和0.028,同时参数量更少,能够满足普通硬件上的实时目标检测需求。     

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。     

基于恒虚警检测的图像声呐目标跟踪

无人化、智能化的目标探测与跟踪是未来水下探测的必然趋势。针对水下移动小目标,通过固定位置的声呐接收的角度与距离二维信息,提出了一套自动跟踪方法。首先,对图像声呐进行恒虚警处理,同时引入时域参量,通过在门限计算中增加之前时间的权重,抑制位置恒定的静态强背景干扰。之后,基于空间上目标的连续运动,提出了小目标的自动跟踪算法。湖试数据实验处理表明：该方法能有效抑制干扰,实现水下小目标的自动探测跟踪。     

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。     

深度学习遥感影像油罐检测算法精度对比分析

油罐目标的检测对于海洋战场环境保障具有重要的意义和作用。选择当前较为经典的几种深度学习目标检测算法,包括FRCNN、RFCN、SSD、YOLOv3、RetinaNet,利用已有的公开数据,对各算法进行油罐检测的精度进行深入对比分析和实验验证。实验结果表明,上述方法中鲁棒性和平均精度最好的是RFCN和RetinaNet;影像中目标的尺寸是影响各算法精度的重要因素。最后对基于深度学习的遥感影像油罐目标检测算法提出了改进的建议。相关研究对于利用深度学习算法完成油罐目标的实际检测应用具有重要的指导意义和参考价值。     

数据融合在矢量水听器目标定向估计中的应用

结合多传感器数据融合技术和矢量水听器的目标定向原理,提出了一种水下目标定向估计的改进算法.该算法仍然具有声压阵速联合信息处理所具有的抗各向同性非相干干扰的能力.针对传统平均声强器采用算术平均方法估计被测目标声强的缺点,充分利用被测样本数据,采用基于方差的加权优化数据融合方法估计声强.仿真实验说明,定向融合算法在目标方向0～3600范围和噪声0～15 dB的情况下,比传统的平均声强器具有更高的定向精度.对水下目标检测工程有重要的应用意义.     

基于联合生成–去除的水下图像增强方法

现有的基于深度学习的水下图像增强方法在仿真的水下图像上取得了良好的效果。但是,由于简化的仿真图像与复杂的真实图像之间存在较大差距,此类方法在处理真实水下图像时性能明显下降。为了解决真实水下图像增强问题,提出了一种联合生成–去除水下图像增强方法。该方法采用分解思路,将水下图像分解为干净的背景层和退化层,通过循环一致性损失和对抗性损失来更好地保留背景,进而实现真实图像和仿真图像之间的转换,既校正了图像颜色,又提升了图像对比度,实现良好的增强效果。实验结果表明,本方法在真实水下图像数据集上处理的结果,在色彩、纹理细节和清晰程度方面均优于现有的对比方法。     

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。     

水下目标光学隐蔽参数测量方法研究

水下目标光学隐蔽参数测量技术在光学侦察、探测水下目标等军事运用中发挥了非常重要的作用。为了改变以往使用透明度盘测量海洋光学参数方式,提高测量的效率和测量结果精准度,在分析水下目标光学隐蔽参数的基础上,设计了船载水下目标光学隐蔽参数测量方法,利用lightools软件优化光学探头设计,采用无线方式实时传输海水光学参数数据,并进行了海上实验,测量得到了海水辐照比、海水体衰减系数和漫衰减系数,完成水下目标光学隐蔽参数分析,实验证明了该测量方法的可行性和可靠性。     

基于改进Faster R-CNN的无人机航拍图像目标检测

无人机航拍图像中目标检测问题要求检测模型具有旋转不变性。针对这一问题,提出改进的Faster R-CNN算法。首先在区域建议网络中采用K-means聚类方法生成适应数据集的预设锚点框,其次在Fast R-CNN网络中引入新的特征提取层,并在模型多任务损失函数中增加旋转约束条件,为后续检测学习旋转不敏感特征。在人工采集的数据集上进行了对比实验,结果表明:在检测速度无明显降低的情况下,改进方法的检测精度提升了1.6%mAP,算法检测性能较优,更能满足实际应用需求。     

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。     

基于改进YOLOX的侧扫声纳图像沉船检测方法研究

针对传统侧扫声纳图像沉船目标识别精度低的问题,引入深度学习,提出了一种改进的You Only Look Once X(YOLOX)目标检测方法。首先对收集的侧扫声纳沉船图像进行预处理,根据实测过程拖鱼的姿态、仪器设备不同等造成的成像差异进行数据增强与扩充,并构建数据集;其次以YOLOX为基础网络,根据侧扫声纳图像缺少丰富特征信息的问题,对网络进行改进,在网络的Spatial pyramid pooling(SPP)结构引入Softpool池化替换原来的池化,提取更多的细节特征信息;最后对改进前后的网络模型进行精度评估,验证改进网络的可行性。实验结果表明,改进后的网络在平均精确率均值(mAP)等精度评定指标中相较于原网络都有着显著提升,识别效果更好。该研究可为侧扫声纳探测中实时目标物检测提供研究基础。     

基于深度学习的光学遥感影像舰船检测算法对比分析

舰船目标检测是进行海洋环境监管,保障海上权益的重要手段。基于深度学习的目标检测算法能在复杂环境下保持良好性能,为测试不同深度学习目标检测算法在舰船检测中的效果,本文构建了一个包含3893张图像的数据集,涵盖了复杂背景下不同类型的舰船,基于此数据集分别采用Faster RCNN、SSD、RetinaNet、YOLOv3、YOLOv4算法进行实验,结果表明,YOLOv4 、YOLOv3、RetinaNet、Faster RCNN平均精度均在83%以上,其中YOLOv4最高达到91.77%,Faster RCNN误检较多,而SSD平均精度最低,只有79.23%,总的舰船检测数目偏少。将5种模型训练结果在高分二号影像上进行测试,得到较好的检测效果,对舰船检测未来理论研究的开展具有一定的指导意义。     

尺度自适应分层多阈值热红外遥感舰船检测

针对热红外遥感图像由于低对比度、条带噪声、低空间分辨率等特点而导致的检测效果不佳问题,提出了一种近岸舰船目标尺度自适应选择分层多阈值检测方法。采用舰船模板图像尺度归一化高斯拉普拉斯函数取极大值准则进行尺度自适应选择,利用所选的高斯多尺度空间差分多阈值筛选进行近岸舰船检测,并根据不同类型舰船模板图像尺度和分块数选择对热红外图像舰船目标检测的影响进行验证实验。实验结果表明:所提方法能根据模板尺度特征滤除相似区域,通过设置合理尺度和阈值参数能实现有效检测,且具有一定的抗噪能力。     

基于小波的水下图像后向散射噪声去除

介绍水下图像成像的特点,分析影响水下成像的主要因素:吸收和散射。在此基础上,采用小波的方法对水下图像进行去噪。首先对低频系数采用了LUM滤波器进行滤波,然后对高频系数采用了NeighShrink方法和对其改进后的ENS方法进行去噪。通过实验证实,该方法去除水下图像噪声具有较好的效果。     

基于YOLO模型的SAR舰船目标检测方法研究

随着海上交通运输业业务需求的不断增加,传统的目标检测方法已无法满足实际需求。由于卫星遥感技术的快速发展,基于合成孔径雷达（Synthetic Aperture Radar,SAR）图像舰船目标自动识别具有显著的应用潜力。近年来,深度学习技术在目标检测领域逐渐显现出优势,特别是YOLO (You Only Look Once)模型以其较高的精度和计算效率,为SAR舰船目标的识别提供了一种新的方法。为对比不同的YOLO模型在舰船目标识别领域的性能及其相比于两阶段深度学习算法的优势,本文首先对YOLO系列的结构进行了归纳总结;其次对当前广泛使用的数据集进行了对比分析,并基于SAR图像数据集（SAR Ship Detection Dataset,SSDD）的样本进行重新标注构建出本文的数据集;然后将YOLO系列模型与两阶段目标检测方法——更快速的区域卷积神经网络（Faster Region-based Convolutional Neural Network,Faster R-CNN）在SAR舰船目标检测的精度和速度两方面进行对比实验;最后在YOLOv5模型的基础上对主干网络（Backbone...