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。     

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。     

水下机器人视频图像高效压缩方法研究

水下视频图像压缩一直是有限带宽水声信道实时传输海量视频数据的关键技术之一。本文首先介绍了目前水下机器人和水下视频图像压缩研究存在的主要问题,并综合分析了目前几种高效视频压缩方法的特点并探讨了进一步研究的方向。此外,根据水下视频的成像特点,提出了高效的全局与局部运动混合补偿方案和基于小波变换的预处理方法。初步实验结果表明：本文提出的预处理方法可以有效去除视频图像中存在的大量视觉冗余和空间冗余,提出的混合运动补偿方案可以获得很高的压缩编码效率;但必须进一步研究快速、有效的全局运动估计方法。     

水下滑翔机器人系统研究

水下滑翔机器人是一种新型的水下机器人,可以作为水下监测平台用于大范围、长时间的大尺度海洋环境监测作业。文中调查了水下滑翔机器人的国内外发展现状,分析了其可能的应用领域。详细介绍了中国科学院沈阳自动化研究所开发的水下滑翔机器人系统,包括载体外形优化设计、载体结构设计和控制系统设计。分析了水下滑翔机器人定常滑翔运动和空间螺旋会转运动的运动性能。     

将进行水下机器人检测海底实验

据日本国土交通省5月4日宣布，日本国土交通省计划6月中旬，使用监视水库湖的水下机器人，在富山县黑部市的下新川海岸，首次进行航行实验。实验将检验在波浪和潮流大的条件下如何稳定航行，并探讨如何把机器人改成大型化，将来用于对太平洋上，面临淹没     

联合YOLOv4和迁移学习的侧扫声纳图像沉船检测

为解决侧扫声纳(SSS)图像沉船检测中样本不足、代表性弱等带来的检测精度低的问题,提出了一种联合YOLOv4和迁移学习的SSS图像沉船检测方法。首先,基于SSS成像机理实现了SSS沉船图像样本扩增,解决样本少而无法开展沉船检测模型构建的难题;然后,利用迁移学习,将公共数据集上学习到的权重和沉船通用性特征引入YOLOv4网络,构建高性能沉船检测模型。试验表明,构建的沉船检测模型取得了85.5%的类平均精度(mAP),将传统方法的检测精度提升了7.7%,在少样本情况下实现了沉船的高精度检测。     

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。     

多波束和侧扫声纳系统在海底目标探测中的应用

介绍了多波束测深系统和侧扫声纳系统的工作原理,通过实例说明了多波束测深系统和侧扫声纳系统在海底目标探测的工作流程,总结出两种探测系统在探测海底目标上的优缺点,说明了多种探测手段的综合应用是海底目标探测技术的发展方向。     

圆阵低频超增益波束形成用于水下目标探测研究

针对小尺度基阵难以取得低频空间增益的问题,研究了圆阵超增益波束形成技术检测低频目标的方法。利用小尺度基阵低频噪声的空间相关性,求出基阵的相关系数矩阵,该矩阵对常规波束形成的权系数进行加权,产生超增益波束形成器的最优加权向量。计算机仿真与实测数据处表明：超增益波束形成技术能够在较低的工作频率上形成波束,获得更好的探测定位性能,有良好的应用前景。     

AUV移动探测下基于U-Net网络的本体噪声去除

在基于移动 AUV(自主水下机器人)平台的水下机动目标探测场景中,由于拖曳能力和探测孔径的限制,目标噪声极易淹没在本体噪声中。而且,本体噪声与目标噪声具有非常相似的频谱特性和倍频关系,进一步加重了目标噪声分析的难度。为降低本体噪声的影响、提高目标噪声的信噪比,开展了基于 U-Net 深度网络的水下混合噪声信号分离算法研究。通过仿真模型测试了算法在不同转速差、桨叶数差以及目标噪声信噪比条件下去除本体噪声的性能。实验结果初步表明：在目标信号信噪比不低于–10 dB 的条件下,算法可以对本体噪声进行有效去除。     

基于深度学习的水下光学图像超分辨率重建综述

图像超分辨率重建旨在从低分辨率图像中生成包含高频细节的高分辨率图像。随着近年来人工智能的快速发展,基于深度学习的超分辨率重建算法取得了突破性进展。然而,水下光学图像通常会产生严重的颜色失真、细节缺失、对比度下降与模糊等多种退化问题,重建难度远高于常规的自然光学图像。目前尚未有文献对基于深度学习的水下光学图像超分辨率重建进行系统性综述。首先,对自然图像退化方式和数据集进行分类总结,结合国内外最新研究现状将基于深度学习的单幅图像超分辨率重建算法分为针对一般退化、已知（非盲）多种退化、未知（盲）多种退化3个方面进行详细总结,为水下应用场景提供参考。然后,介绍了水下光学图像退化方式,归纳了常见的公开数据集,总结并分析了水下光学图像超分辨率重建的最新进展。最后,对该领域未来可能的发展趋势进行了展望。     

高分辨率多波束声纳系统海底目标物检测技术

结合近几年出现的高分辨率多波束测深系统的性能特点,通过检测实例,介绍其在海底管道(尤其是裸露管道)检测中的相关技术及及检测成果。结果证实,高分辨率多波束测深系统可以准确检测海底小尺寸目标物,为其新特性的推广应用提供技术参考。     

水下图像增强方法研究现状

光线在水下传播过程中,它的失真程度会随波长不同而发生改变。导致水下图像视觉质量下降的3个主要原因是吸收、散射和颜色失真。有关水下图像处理的研究在近十几年来得到了广泛的关注,取得了重要进展。文中着重讨论水下图像增强处理技术,探讨其中的典型算法和研究成果,对部分算法的测试结果进行定性和定量分析比较,最后总结水下图像增强技术研究现状,并展望了未来可能的发展方向。     

水中目标信息智能识别方法研究

提出了基于判定准则的海洋环境下目标关系识别方法。通过HBACA算法查找或识别不同元素关系能力强的特性,提取目标信息数据的关系,之后在信息数据关系中计算每个信息节点的点度中心度、紧致中心度和节点活跃度,根据信息数据在目标事件中的重要或关键程度,将信息数据划分为关键目标信息、重要目标信息和一般目标信息。仿真结果显示:能够明确地获得关键的信息数据坐标,并与其所处事件的重要程度能够匹配,同时相关信息数据的关系非常明显,很容易提炼出所处目标事件中重要目标信息数据之间的关联。