CN109269547A - 基于线谱的水下目标舰船检测方法 - Google Patents

Abstract

本发明公开一种基于线谱的水下目标舰船检测方法，属于水下舰船的检测领域。本发明包括：初始阶段：使用卷积神经网络作为目标检测的算法，将声音文件转换成LOFAR图；在LOFAR图中进行线谱的提取，提取过程时用到的方法是动态规划的算法和多步频移的算法；检测阶段：对提取到的线谱图进行打标签并且转换成LMDB的格式；将处理好的数据送入到级联卷积的网络中，使用其中的70％进行模型的训练，其余的30％作为测试。

Description

基于线谱的水下目标舰船检测方法

技术领域

本发明属于水下舰船的检测领域，具体涉及一种基于线谱的水下目标舰船检测方法。

背景技术

由于水下的环境相对比较复杂，有效的进行目标检测成为一项重要的研究内容。在以往的技术中对目标检测主要依靠人们的经验，得到的结果具有主观性，同时这对人们的专业知识的要求也比较高。因此本发明主要解决的问题是如何对目标进行自动的检测。使得这技术广泛的应用在水下舰船的检测领域。

对于舰船来说，当其行驶在海上时，舰船上的复杂的机器会进行一定的旋转以及循环往复运动，这样辐射噪声会不断的扩散在周围的海域中。这种噪声引起了人们的特别的重视，主要是因为这种噪声对于能量的辐射可以进行远距离的传播。在实际的运用中，使用水声探测设备、鱼雷声自导装置等，可以把声波作为一种可利用的目标信息。

为了能够有效实现对目标的检测，需要从接收到的噪声中提取出有效的噪声信息，这部分的工作主要集中在舰船线谱的提取。能够有效的将线谱提取出来，对于提高目标检测的准确率具有重要的意义。在对目标检测时使用的是卷积神经网络。在检测的过程中需要大量的参数以训练时间。

发明内容

本发明主要是针对现有的方法对线谱的提取不够完整，在线谱的提取过程中阈值的选取需要人为的干预，这样人的主观性比较大。在目标的检测过程中使用的是卷积神经网络，这个网络需要大量的参数以及训练的时间，因此对于计算机的硬件的要求比较高。针对以上的不足之处针对现有的方法进行改进。从而达到更好的检测的目的。

本发明的目的是这样实现的：

基于线谱的水下目标舰船检测方法，其特征在于，包含以下步骤：

步骤一 初始阶段；

使用卷积神经网络作为目标检测的算法，将声音文件转换成LOFAR图；在LOFAR图中进行线谱的提取，提取过程时用到的方法是动态规划的算法和多步频移的算法；

步骤二 检测阶段；

对提取到的线谱图进行打标签并且转换成LMDB的格式；将处理好的数据送入到级联卷积的网络中，使用其中的70％进行模型的训练，其余的30％作为测试。

线谱的提取过程包含以下步骤：

步骤一 将原始信号的采样序列按照采样点分成若干个连续的帧，每个帧N个采样点；

步骤二 对第i段的信号的采样点m_i(n)做中心化处理和归一化处理，归一化处理使接受到的信号的幅度在相应的时间上均匀分布；中心化处理之后得到的样本均值变为零；

归一化处理：

在进行傅里叶变换时为了计算相对方便，L的选取值为2的幂数；

中心化处理：

步骤三 对输入的信号作连续的短时傅里叶变换得到LOFAR谱图；

步骤四 对LOFAR谱中的幅度做对数运算得到将强弱线谱能够在有限的范围内显示在LOFAR图中；

ξ_i(k)＝log(ψ_i(k))

步骤五 在LOFAR图中使用基于动态的方法提取单线谱，在提取中的过程中使用一种积分函数对阈值进行量化；

步骤六 使用多步频域的方法来对所有的线谱进行有效的提取。

与现有技术相比，本发明的有益效果在于：

1、线谱能够高度的代表事物的属性，使用本方法可以很好的检测出目标来，与直接使用声音文件来检测，显著提高了准确率。

2、本实验方法中将对卷积网络进行修改，将传统的网络形式转化成级联卷积的形式，这样减少了网络的训练时间以及训练参数。

3、在准确率上，与传统的网络结构相比没有明显的下降趋势，在一个可接受的范围之内。

附图说明

图1是本发明的操作流程图；

图2是线谱的提取流程；

图3是级联卷积层的模型示意图。

具体实施方式

下面结合附图对本发明作出详细说明：

目前，对于水下目标舰船的检测，国内外领域的专家都在积极的研究，学者提取了许多的模型和方法。希望能够找到一个普遍适用的模型，而且在处理的过程中不需要太多的人为干预。然而，对于现有的模型，很难达到这两点，首先，对于线谱的提取来说，需要从LOFAR图中进行提取。在LOFAR图中提取的过程中为了将强弱线谱能够在有效的范围内表现出来，引入了对数函数，在对线谱提取时积分函数对阈值进行量化。而在对舰船进行检测时使用的卷积神经网络。通过对卷积层进行分解来减少训练的参数。针对以上的改进提出了基于线谱卷积网络的模型算法。其线谱的提取过程如下：

(1)将原始信号的采样序列按照采样点分成若干个连续的帧，每个帧N个采样点，在实验中一般使用的是512个采样点，帧间的可以有一部分的重叠，一般情况下，重叠50％即可。这部分重叠率是可以变化的，可以根据自己的实际情况而定。

(2)对第i段的信号的采样点m_i(n)做中心化处理和归一化处理，归一化处理可以使接受到的信号的幅度在相应的时间上均匀分布；中心化处理之后得到的样本均值变为了零。

归一化处理：

在进行傅里叶变换时为了计算相对方便，L的选取值一般为2的幂数，在实验中选用的是512。

中心化处理：

(3)对输入的信号作连续的短时傅里叶变换可以得到LOFAR谱图。

(4)对LOFAR谱中的幅度做对数运算得到将强弱线谱能够在有限的范围内显示在LOFAR图中。

ξ_i(k)＝log(ψ_i(k)) (5)

(5)以上的方法中可以得到LOFAR图，在LOFAR图中使用基于动态的方法提取但线谱，在提取中的过程中使用一种积分函数对阈值进行量化，这样可以减少人的主观性。

(6)使用基于动态的方法得到的只是但线谱，为了能够将LOFAR图中的所有线谱都能够有效的提取出出来，使用的多步频域的方法来进行对所有的线谱进行有效的提取。

本发明的实验使用的是AlexNet的基础网络模型，在这个基础的模型上改进。传统的AlexNet的是八层的网络模型，前五个是卷积层后三个是全连接层。在每一层中都含有激活函数。其作用是将线性的输入转换成非线性的。

卷积层都是采用的5×5大小的卷积核，且卷积核每次滑动一个像素，在每一个卷积层都含有不同的卷积核，不同的卷积核可以提取出不同的特征。前一层提取到特征输入到下一层的卷积中，这样可以进行更高程度的特征提取。是提取到的特征更具有代表性。在全连接层之后使用一个分类器来进行目标检测。在本发明中对卷积层进行分解，分解成级联的形式，将5×5的卷积核分解成5×1和1×5的形式。具体的过程如图。

本发明的技术效果为：

本发明在对线谱进行提取的过程中，使用的积分函数的方式对阈值进行量化，这样在阈值的选取时减少了人为的干预，排除了人的主观性。从而使线谱提取到的更加真实。为了使线谱提取的更加完整全面。使用了多步频移的方法可以将LOFAR图中所有线谱都能够提取出来。提取出线谱之后要对线谱进行目标检测，在实验中使用的是级联卷积的形式对目标进行检测。通过改变级联中第一层卷积的个数，可以减少训练时的权重以及训练的时间，同时这样对计算机的硬件的依赖性减少。在这次的实验中达到的效果是目标检测的时间明显的减少。并且准确率在一个可以容忍的误差范围内。这也证明了这个方法的有效性。因此可以将这个方法进行实际的应用。

一种基于卷积神经网络的舰船目标检测的方法，具体的实施可以按以下的步骤进行：

一、初始阶段

这个阶段将使用卷积神经网络作为目标检测的算法，初始阶段分为2个阶段，分别是第一个阶段和第二个阶段：

第一个阶段包括主要是讲声音文件转换成LOFAR图。

第二个阶段是在是在LOFAR图中进行线谱的提取，提取过程时主要用到的方法是动态规划的算法和多步频移的算法。

二、检测阶段

检测阶段也分为两个阶段，分别为第一阶段和第二阶段，

第一阶段：对提取到的线谱图进行打标签并且转换成LMDB的格式。

第二阶段：将处理好的数据送入到级联卷积的网络中，使用其中的70％进行模型的训练，其余的30％作为测试。

Claims (2)

1.基于线谱的水下目标舰船检测方法，其特征在于，包含以下步骤：

步骤一 初始阶段；

使用卷积神经网络作为目标检测的算法，将声音文件转换成LOFAR图；在LOFAR图中进行线谱的提取，提取过程时用到的方法是动态规划的算法和多步频移的算法；

步骤二 检测阶段；

对提取到的线谱图进行打标签并且转换成LMDB的格式；将处理好的数据送入到级联卷积的网络中，使用其中的70％进行模型的训练，其余的30％作为测试。

2.根据权利要求1所述的基于线谱的水下目标舰船检测方法，其特征在于，线谱的提取过程包含以下步骤：

步骤一 将原始信号的采样序列按照采样点分成若干个连续的帧，每个帧N个采样点；

步骤二 对第i段的信号的采样点m_i(n)做中心化处理和归一化处理，归一化处理使接受到的信号的幅度在相应的时间上均匀分布；中心化处理之后得到的样本均值变为零；

归一化处理：

在进行傅里叶变换时为了计算相对方便，L的选取值为2的幂数；

中心化处理：

步骤三 对输入的信号作连续的短时傅里叶变换得到LOFAR谱图；

步骤四 对LOFAR谱中的幅度做对数运算得到将强弱线谱能够在有限的范围内显示在LOFAR图中；

ξ_i(k)＝log(ψ_i(k))

步骤五 在LOFAR图中使用基于动态的方法提取单线谱，在提取中的过程中使用一种积分函数对阈值进行量化；

步骤六 使用多步频域的方法来对所有的线谱进行有效的提取。