基于分区自适应阈值的声呐障碍物检测算法研究

针对UUV避碰声呐探测障碍物过程中自主选择分割阈值进行障碍物检测的问题,提出了基于分区自适应阈值的障碍物检测算法。首先将避碰声呐图像均匀分为相同大小的图像块,对每个图像块基于最大类间方差算法确定该区域障碍物图像分割的高低阈值,然后对检测到的障碍物进行形态学处理去除孤立噪声点,对目标区域进行连通性分析及内部空洞处理,最终得到完整的障碍物轮廓信息。通过湖试数据验证表明了该方法对声呐障碍物检测的有效性。     

结合显著性与GrabCut的无角毛类浮游植物显微图像分割

针对无角毛类浮游植物显微图像,结合显著区域检测和GrabCut算法,提出一种新颖的浮游植物细胞自动分割方法。首先,基于视觉注意机制的计算模型,检测输入图像的显著区域;然后,对生成的显著图进行预分割以获得浮游植物细胞的位置;再把细胞的位置信息用于初始化GrabCut算法,并迭代执行GrabCut;最后,应用去噪和平滑技术来输出细胞。实验表明该方法提取的前景目标形态完整、轮廓清晰、边缘规则。     

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...     

水下图像目标检测数据集及检测算法综述

水下目标检测技术是海洋探测的关键技术之一,具有重要的研究意义。本文首先对水下光学目标检测图像数据集进行了总结与分析,然后对近五年国内外50多项相关研究进展进行了阐述,分析了现有方法的贡献和局限性,以Faster RCNN和YOLOV3为基础模型对3种典型的提高目标检测性能的方法进行了实验,实验结果表明直接应用图像增强的方法不能有效提升检测精度,应用高分辨率网络可以明显提升目标检测性能。最后讨论了水下图像目标检测算法的潜在挑战和有待解决的问题,并提出了未来可能的研究方向。     

基于视觉显著性的高分辨率遥感影像舰船检测

通过研究、分析现有基于遥感影像的舰船检测算法,提出了基于Itti视觉显著度模型改进的高分辨率遥感影像海面舰船检测方法,该方法利用海面舰船相对于海面背景信息视觉关注高的特点,参考视觉显著度模型计算原理,对高分辨率遥感影像中的颜色、亮度、方向、纹理等特征进行有效提取,然后利用归一化方法将不同特征融合,形成有利于舰船目标提取得视觉显著度图,最后对生成的视觉显著度图进行阈值分割和精细化处理获得最终的舰船检测结果。与传统舰船检测算法相比,本文算法能够有效检测复杂海面背景下的舰船目标,减少了单一特征变化对检测精度的影响,提高了检测准确率,具有较好的抗噪性和较强的鲁棒性。     

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。     

浅海未爆弹磁异常探测和定位技术

以海底未爆弹作为待测目标物,对其建立了偶极子磁异常探测模型,应用正交基检测算法 （Orthogonal Basis Functions,OBFs）对获取的磁信号进行弱磁信号提取。结合 GPS 经纬度信息,提出处理海底磁异常数据的数据融合过程,然后创建地磁图来定位可疑的未爆弹（Unexploded Ordnance,UXO）。通过仿真对算法处理流程进行分析。首先,利用有限元模拟方法对未爆弹在地磁背景下所产生的磁异常进行建模,然后模拟实际当中的空间采样过程,得到观测区采样信号图。通过插值的方法进行磁场的重构,最后获取异常源的位置信息。在未爆弹实际探测中,原始磁异常信号信噪比为 14.34 dB。对原始磁异常数据进行滤波、正交基算法检测,信噪比为 20.04 dB,显著提高了 5.7 dB。最终利用地磁图确定可能存在的未爆弹的经纬度位置。结果显示目标探测准确率达到 100%,虚警率为 0。该研究验证了磁异常探测在浅海掩埋未爆弹探测和定位的准确性和可靠性。     

基于深度学习的视频观测潮位技术研究——以厦门高崎码头为例

近岸潮位观测是海洋工程应用、海岸防灾减灾、海岸带管理以及海洋有关科研工作中最基础的工作之一。文章基于视频图像深度学习的方法,使用YOLOv5目标检测算法从安装在近岸的固定摄像机拍摄的视频帧中提取潮汐水位特征进行潮位分析。研究采用厦门高崎码头的分辨率为1920×1080的高清摄像头2023年2月的影像数据作为训练集和验证集,2023年3月的影像数据作为测试集,利用岸边验潮井逐时潮位数据进行标注,采用YOLOv5目标检测算法来训练。计算结果显示,通过视频观测潮位在训练集和测试集上的误差分别为3.9 cm和5.3 cm。视频中1个像素点代表3.8 cm,因此潮位观测的平均误差为像素级。研究表明在近岸通过高清摄像头基于图像深度学习进行潮位观测的方法是可行的,观测精度取决于图像目标物的分辨率。     

基于R-FCN_ResNet的深海冷泉区生物的识别与分布研究

针对深海冷泉生物数量多、密度大、特征低,人工识别它们的种类和数取它们的数量耗时费力且准确度低这一问题,利用残差学习块,改进了基于区域的全卷积网络算法,用以深海冷泉生物的自动识别与检测。首先,构建了一组包括5类目标生物的深海冷泉生物图像目标检测数据集;然后,在TensorFlow框架下对比了R-FCN_ResNet、Faster R-CNN和SSD_MobileNet三种典型的卷积神经网络算法。从训练耗损时间、平均检测速度、平均置信度三方面权衡,突出了R-FCN_ResNet模型的优势;最后,将测试集图片输入至该模型中检测深海冷泉生物的种类和数量,并且以此复现了生物的分布情况。实验证明,所提方法结合本文数据集进行的深海冷泉生物识别与分布研究,是有效可行的,且具有较高的目标分类和定位准确率。     

数学形态学方法在海面船目标检测中的应用

为进一步提高检测精度，提出1种将数学形态学方法应用到船目标检测数据后处理中的算法，根据该算法设计的数学形态学滤波器可以有效地消除SAR图像斑点噪声在船目标检测中造成的影响，减少船目标检测的误判，提高参数估计准确性。     

基于模糊C均值聚类的高分辨率合成孔径雷达图像舰船目标检测

给出了一个基于模糊C均值聚类(FCM)的舰船目标检测算法。其中心思想是将SAR图像中的各像素点灰度值视为样本集,然后利用FCM算法对该样本集聚类,并利用聚类结果计算图像分割全局阈值。与目前流行的恒虚警率(CFAR)检测算法相比,所给检测算法具有参数少、计算量与图像大小成正比、舰船轮廓保持良好的特点,为高分辨率SAR图像舰船目标检测提供了一个新的选择。     

一种快速自动检测海面目标算法

为实现海事动态视频监测中海面目标的自动检测,提出基于小波域视觉注意选择机制的海面目标快速检测算法。根据人类视觉观测特点,首先利用提升小波变换在小波域建立了双尺度视觉选择注意模型,然后在粗分辨率低频子带上分别利用相位谱法和梯度法建立视觉显著图,并对两者进行有效融合形成综合视觉显著图,最后通过小波反变换得到原始高分辨率图像的视觉显著图,并由此实现海面目标区域的提取。实验结果表明:该算法能够快速、准确地实现海面目标的自动检测,可用于基于海洋浮标的海事智能监测。     

卫星遥感融合中通量守恒重采样方法与其它常用方法的比较

对多卫星传感器数据进行融合,首先要将多个传感器数据通过重采样算法重新投影到标准网格上。本文运用一种基于多边形切割算法的通量守恒重采样算法对图像数据进行重采样,并将该算法与3种常用的重采样算法(最邻近插值法、双线性插值法、三次卷积插值法)在信息保真方面的性能进行了比较。将所比较的重采样方法应用于两幅具有代表性的图像,其中一幅为人造图像,用于定性比较各种采样方法在图像缩放中的采样精度;另一幅为某机场卫星遥感图像,用于评价各种重采样方法在旋转图像方面采样的性能,并以定量参数(相关系数及光谱真实性)比较各种采样方法。结果表明,通量守恒重采样法对原始图像的信息保真效果最好,更适用于卫星遥感图像数据融合中的重采样。     

一种增强型YOLOv3的合成孔径雷达(SAR)舰船检测方法

近年来,海战场成为现代战争的主要作战区域之一,舰船目标逐渐成为海上重点监测对象,能否快速准确地识别海战场舰船目标的战术意图,给指挥员的决策提供必要的支持,这关系到一场海上战役的成败。随着合成孔径雷达(synthetic aperture radar, SAR)成像技术的不断发展,大量SAR图像可用于舰船目标检测与识别。利用SAR图像进行舰船目标检测与识别,已经成为重要的海洋应用之一。针对传统SAR图像舰船检测方法准确率较低的问题,本文在YOLOv3的基础上,结合感受野(receptive fieldblock,RFB)模块,提出一种增强型的SAR舰船检测方法。该方法在最近公开的SAR图像舰船检测数据集上平均准确率值达到了91.50%,与原YOLOv3相比提高了0.92%。实验结果充分表明本文提出的算法在SAR舰船的检测中具有较好的检测效果。     

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。     

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。     

基于红色通道注意力机制的水下图像增强

水下图像增强因其在海洋勘测和水下机器人中的重要意义而备受关注。在过去的几年中,已经提出了许多水下图像增强算法。已有的深度学习方法由于忽略水下图像的预处理过程和对红色通道信息的增强或者弱化了这个过程,导致增强结果并不显著,其往往只适应特定的场景,缺乏泛化能力。为此,基于卷积神经网络建立了一种全新的水下图像增强算法,为了充分利用特征图的通道信息,在相同维度的特征图之间采用不同尺寸的卷积核获取更多通道数目的特征。然后,基于红色通道构建了注意力机制,以加强对于图像中容易丢失信息的红色通道的特征提取。最后,在EUVP,UFO120数据集做了消融实验,证明了红色通道注意力机制的有效性。通过对对比实验的增强结果进行各项指标分析,证明增强结果有着更高的结构相似性和峰值信噪比,并且在无参考指标方面有着更高的颜色平衡、清晰度以及对比度,综合性能优于以往的方法。     

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。     

面向AUV自主水下对接的视觉检测算法

针对自主式水下机器人水下对接过程中近距离视觉导引存在的定位精度低、计算时间长的问题。基于Cascade RCNN神经网络模型设计了一种高精度视觉检测算法。首先,基于热力图导向的泊松复制建立混合数据增强策略,在实例级和图像级上扩充训练样本;其次,采用完备交并比损失函数提高算法模型输出边界框的回归准确率;然后,使用学习率余弦退火策略,通过周期性的热重启和衰减使算法模型能概率性地跳出局部最优解并最终趋于全局最优,以进一步提高目标检测精度;最后,使用混合精度策略减少算法模型计算复杂度,提高实时性。水下对接实拍图像目标检测试验表明：该算法模型的平均精度达到94%,检测速度超过20帧/秒。