CN112731410A - 一种基于cnn的水下目标声呐探测方法 - Google Patents
一种基于cnn的水下目标声呐探测方法 Download PDFInfo
- Publication number
- CN112731410A CN112731410A CN202011556915.2A CN202011556915A CN112731410A CN 112731410 A CN112731410 A CN 112731410A CN 202011556915 A CN202011556915 A CN 202011556915A CN 112731410 A CN112731410 A CN 112731410A
- Authority
- CN
- China
- Prior art keywords
- sonar
- cnn
- training
- network model
- underwater target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
- G01S15/88—Sonar systems specially adapted for specific applications
- G01S15/89—Sonar systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明公开了一种基于CNN的水下目标声呐探测方法,具体包括以下步骤:S1:通过主动声呐技术对水下目标进行360°声呐数据采集,得到原始声呐数据;S2:对所述原始声呐数据进行预处理,得到声呐图像;S3:对所述声呐图像进行扩充,得到声呐图像数据集;并将所述声呐图像数据集划分为训练集和测试集;S4:用所述训练集对CNN网络模型进行训练;S5:将所述测试集输入到训练完成后的CNN模型中进行测试,得到检测识别结果。本发明采用单层卷积层的卷积神经网络,训练模型时使用非线性激励函数Sigmoid,而实际测试时替换成Softplus,在简化训练的基础下更好的显示检测目标信号强度。
Description
技术领域
本发明涉及水下目标识别与人工智能交叉的技术领域,特别是涉及一种基于CNN的水下目标声呐探测方法。
背景技术
声呐是一种通过发射声波之后又接收声波的工作方法,常常被用来完成在水下进行信息传输工作和实现水下目标的探测等任务。近几年,国内外采用水下目标识别技术的应用和工具层出不穷。例如,在军事领域就有使用目标检测技术实现对鱼雷和潜艇等水下目标的识别。由此可见,水下目标检测与识别现在已经成为世界各个国家在海防领域以及工业领域的一个研究热点。
而人工神经网络又是近年来在人工智能领域兴起的一个研究热点。随着国内外研究工作的不断深入,目前人工神经网络已经在各个领域取得了一定的进展。其中,作为人工神经网络分支之一的卷积神经网络CNN(Convolution Nenural Network)近年来发展尤为迅速。由于基于传统的中值滤波、均值滤波等图像处理方法的目标探测,其准确率和探测速率并不高。
因此,如何在基于CNN的基础上,寻找一种高效和高准确率的水下目标声呐探测方法成为研究人员关注的问题。
发明内容
为了解决上述技术问题,本发明提供一种基于CNN的水下目标声呐探测方法,潜水艇首先通过主动声呐技术在水下采集360°声呐图像,然后将卷积神经消除由于主动声呐技术原理不可避免产生的声呐图像旁瓣效应,对声呐图像进行进一步的图像增强和特征提取,从而能够简便且高效的对其他船只进行目标检测与识别。
为实现上述目的,本发明提供一种基于CNN的水下目标声呐探测方法,具体包括以下步骤:
S1:通过主动声呐技术对水下目标进行360°声呐数据采集,得到原始声呐数据;
S2:对所述原始声呐数据进行预处理,得到声呐图像;
S3:对所述声呐图像进行扩充,得到声呐图像数据集;并将所述声呐图像数据集划分为训练集和测试集;
S4:用所述训练集对CNN网络模型进行训练;
S5:将所述测试集输入到训练完成后的CNN模型中进行测试,得到检测识别结果。
优选地,所述步骤S3具体为:
S31:对所述声呐图像进行数据增强处理,得到声呐图像数据集;
S32:将所述声呐图像数据集按照7:3的比例划分为训练集和测试集。
优选地,所述数据增强处理包括:缩放、镜像和逆时针旋转90°。
优选地,所述步骤S4中的CNN网络模型包括:一个输入层、一个隐藏层和一个输出层。
所述隐藏层包括一个卷积层和一个非线性激活层。
优选地,所述非线性激活层采用的是非线性激励函数Sigmoid函数。
优选地,所述卷积层的卷积核数量为3,大小为101×31,步长为1。
优选地,所述S4中训练的方法具体为:
步骤一:设置CNN网络模型的初始超参数,并将所述训练集中的所有声呐图像分别进行标记,并缩放成统一尺寸;然后将缩放后的声呐图像输入到CNN网络模型中。
步骤二:将输入到CNN网络模型中的声呐图像进行自顶向下的非监督式学习和自底向上的监督式学习,并输出误差。
步骤三:根据所述输出误差来调整CNN网络模型的权重以及偏移量;并根据所述输出误差的收敛程度判断是否停止训练,得到训练完成的CNN网络模型X-NET。
优选地,所述步骤S5具体为:
S51:将所述CNN网络模型X-NET中的非线性激励函数Sigmoid替换成Softplus函数,生成新的CNN网络模型Y-NET;
S52:将所述测试集输入到所述CNN网络模型Y-NET中,得到检测识别结果。
与现有技术相比,本发明的有益效果在于:
(1)本发明采用通过主动声呐技术在水下采集360°声呐图像,并采用CNN网络进行水下目标进行检测和识别,能够消除因主动声呐技术原理不可避免产生的声呐图像旁瓣效应,从而进一步提高了目标检测与识别的精确度。
(2)本发明采用单层卷积层的卷积神经网络,并在训练模型时使用非线性激励函数Sigmoid,在实际测试时替换成Softplus函数,使得在简化训练的基础下更好的显示检测目标信号强度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还能够根据这些附图获得其他的附图。
图1为本发明的方法流程图;
图2为本发明CNN网络模型图;
图3为本发明在扩充后的数据集中随机选取的的声呐图;其中,(a)-(f)分别为不同目标位置、不同距离以及不同的噪声干扰程度下的声呐图;
图4为本发明检测识别效果的结果图;其中,(a)-(f)分别为不同目标位置、不同距离以及不同的噪声干扰程度下的检测识别结果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
为了识别潜艇在水下通过主动声呐技术探测获取到的360°声呐图像中的船只目标,本发明引入卷积神经网络并进行改进,通过简单高效的方式检测到其中的船只目标,简化神经网络模型的训练过程,提高水下目标识别率,适用于在亮度低噪声复杂的海底环境中检测与识别水下目标。
参照图1所示,本发明的方法具体包括以下步骤:
S1:通过在潜艇四周部署声呐设备,利用主动声呐技术,采集获取360°的声呐数据,得到原始声呐数据。
S2:对原始声呐数据进行预处理。使用MATLAB软件编写批量的解析程序从原始声呐数据中解析出声呐图像,以便于后续的图像处理操作,参照图3所示。图3随机选取六幅本发明数据集中的声呐图:(a)-(f)六幅图像中部的带状亮区以下为海底环境,左中部较亮的线形亮斑是由水下船只目标的回波形成,即为目标亮区,紧挨它的暗区部分称之为目标暗区;水下噪声的平均灰度值大多为目标亮区与暗区的中间值,也就是海底混响区域,另外还存在海洋环境噪声等噪声干扰。
S3:对声呐图像进行数据增强处理,以此来扩充数据集,得到1000幅声呐图像。具体的数据增强处理方法有以下集中:缩放,镜像,逆时针旋转90°,然后将数据集随机划分为训练集和测试集。其中取70%的样本作为训练集,30%的样本作为测试集。
S4:用训练集训练CNN模型,对声呐图像进行特征提取。
参照图2所示,实验数据部署在ubantu18.04操作系统下,使用MATLAB软件作为主要工具,其中所用的卷积神经网络包含一个输入层,一个隐藏层,一个输出层。
(1)输入层:将预处理所得的图像分别进行标记,然后缩放成统一的尺寸,本发明所用数据集图像尺寸统一固定为32768×48,在输入层将声呐图像输入共享卷积神经网络(Convolution Nenural Network,CNN),进行监督式训练。
(2)隐藏层:
隐藏层包括一个卷积层,一个非线性激活层。隐藏层首先使用自顶向下的非监督式学习,再使用自底向上的监督式学习,对整个网络的参数进行优化。其中,隐藏层中的卷积层,卷积核数量为3,大小为101×31,步长为1。
非线性激励层的作用主要是对卷积层的输出完成一个非线性映射,因为卷积层的计算本质上还是一种线性计算。本发明在训练模型时使用的是非线性激励函数Sigmoid函数。
Sigmoid函数由下列公式定义:
Sigmoid(x)=1/(1+exp(-x))
其中x为输入。该函数在输入值趋于正无穷或者负无穷时,函数趋近于平滑状态,Sigmoid函数具有非常好的对称性,且因为输出范围为(0,1),所以在出现二分类概率的情况下常常使用该函数。
(3)输出层:最后目标结果的输出。
(4)训练CNN模型过程:
设置初始网络权重,学习率等超参数,将训练集按固定尺寸缩放输入卷积神经网络模型后,首先采用自顶向下的非监督式学习,再使用自底向上的反向传播监督式学习,逐渐调整网络的权重以及偏移量,对整个网络的参数进行逐步优化,在训练误差收敛到一定值后停止训练,最终得到训练好的网络模型X-NET。
S5:输入测试集进行测试。将已经训练好的网络模型X-NET中的非线性激励函数Sigmoid替换成Softplus函数,生成新的网络模型Y-NET,输出检测结果,参照图4所示。图4分别对应于图3中的六幅声呐图像。左中部较亮的线形区域极为目标船只,(a)-(f)图像的主要差别在于目标船只的位置与距离的差异以及噪声干扰的程度差异,能够实现从较为复杂的海底噪声环境中提取出目标船只区域,并进行增强处理。
其中,将非线性激活层的激励函数Sigmoid换成Softplus。Softplus函数由下列公式定义:
Softplus(x)=log(1+exp(x))
其中x为输入。Softplus函数是修正线性单元的平滑版本,它的值域是零到正无穷。因此,比起Sigmoid函数,Softplus函数能更好的显示检测目标信号强度。
综上,本发明采用单层卷积层的卷积神经网络,训练模型时使用非线性激励函数Sigmoid,而实际测试时替换成Softplus,在简化训练过程的基础下能够更好的显示检测目标信号强度,对船只等线形目标具有很好的识别效果。
以上所述的实施例仅是对本发明的优选方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (8)
1.一种基于CNN的水下目标声呐探测方法,其特征在于:具体包括以下步骤:
S1:通过主动声呐技术对水下目标进行360°声呐数据采集,得到原始声呐数据;
S2:对所述原始声呐数据进行预处理,得到声呐图像;
S3:对所述声呐图像进行扩充,得到声呐图像数据集;并将所述声呐图像数据集划分为训练集和测试集;
S4:用所述训练集对CNN网络模型进行训练;
S5:将所述测试集输入到训练完成后的CNN模型中进行测试,得到检测识别结果。
2.根据权利要求1所述的基于CNN的水下目标声呐探测方法,其特征在于,所述步骤S3具体为:
S31:对所述声呐图像进行数据增强处理,得到声呐图像数据集;
S32:将所述声呐图像数据集按照7:3的比例划分为训练集和测试集。
3.根据权利要求2所述的基于CNN的水下目标声呐探测方法,其特征在于,所述数据增强处理包括:缩放、镜像和逆时针旋转90°。
4.根据权利要求1所述的基于CNN的水下目标声呐探测方法,其特征在于,所述步骤S4中的CNN网络模型包括:一个输入层、一个隐藏层和一个输出层。
所述隐藏层包括一个卷积层和一个非线性激活层。
5.根据权利要求4所述的基于CNN的水下目标声呐探测方法,其特征在于,所述非线性激活层采用的是非线性激励函数Sigmoid函数。
6.根据权利要求4所述的基于CNN的水下目标声呐探测方法,其特征在于,所述卷积层的卷积核数量为3,大小为101×31,步长为1。
7.根据权利要求1所述的基于CNN的水下目标声呐探测方法,其特征在于,所述S4中训练的方法具体为:
步骤一:设置CNN网络模型的初始超参数,并将所述训练集中的所有声呐图像分别进行标记,并缩放成统一尺寸;然后将缩放后的声呐图像输入到CNN网络模型中。
步骤二:将输入到CNN网络模型中的声呐图像进行自顶向下的非监督式学习和自底向上的监督式学习,并输出误差。
步骤三:根据所述输出误差来调整CNN网络模型的权重以及偏移量;并根据所述输出误差的收敛程度判断是否停止训练,得到训练完成的CNN网络模型X-NET。
8.根据权利要求7所述的基于CNN的水下目标声呐探测方法,其特征在于,所述步骤S5具体为:
S51:将所述CNN网络模型X-NET中的非线性激励函数Sigmoid替换成Softplus函数,生成新的CNN网络模型Y-NET;
S52:将所述测试集输入到所述CNN网络模型Y-NET中,得到检测识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011556915.2A CN112731410B (zh) | 2020-12-25 | 2020-12-25 | 一种基于cnn的水下目标声呐探测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011556915.2A CN112731410B (zh) | 2020-12-25 | 2020-12-25 | 一种基于cnn的水下目标声呐探测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112731410A true CN112731410A (zh) | 2021-04-30 |
CN112731410B CN112731410B (zh) | 2021-11-05 |
Family
ID=75615760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011556915.2A Active CN112731410B (zh) | 2020-12-25 | 2020-12-25 | 一种基于cnn的水下目标声呐探测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112731410B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115294832A (zh) * | 2022-07-06 | 2022-11-04 | 中国船舶重工集团公司第七一五研究所 | 一种声呐设备训练数据生成方法 |
CN115685170A (zh) * | 2023-01-04 | 2023-02-03 | 青岛国数信息科技有限公司 | 基于强化学习的主动声纳目标回波检测方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243154A (zh) * | 2015-10-27 | 2016-01-13 | 武汉大学 | 基于显著点特征和稀疏自编码的遥感图像检索方法及系统 |
CN107909082A (zh) * | 2017-10-30 | 2018-04-13 | 东南大学 | 基于深度学习技术的声呐图像目标识别方法 |
CN109100710A (zh) * | 2018-06-26 | 2018-12-28 | 东南大学 | 一种基于卷积神经网络的水下目标识别方法 |
CN110082283A (zh) * | 2019-05-23 | 2019-08-02 | 山东科技大学 | 一种大气颗粒物sem图像识别方法及系统 |
CN110210399A (zh) * | 2019-05-31 | 2019-09-06 | 广东世纪晟科技有限公司 | 一种基于不确定性量化概率卷积神经网络的人脸识别方法 |
CN110321967A (zh) * | 2019-07-11 | 2019-10-11 | 南京邮电大学 | 基于卷积神经网络的图像分类改进算法 |
CN110781924A (zh) * | 2019-09-29 | 2020-02-11 | 哈尔滨工程大学 | 一种基于全卷积神经网络的侧扫声纳图像特征提取方法 |
CN111368633A (zh) * | 2020-01-18 | 2020-07-03 | 中国海洋大学 | 一种基于auv的侧扫声呐图像识别方法 |
CN111460932A (zh) * | 2020-03-17 | 2020-07-28 | 哈尔滨工程大学 | 基于自适应卷积的水声信号分类识别方法 |
CN111639659A (zh) * | 2019-03-01 | 2020-09-08 | 中国科学院声学研究所 | 一种水下沉底小目标融合分类方法 |
CN111652149A (zh) * | 2020-06-04 | 2020-09-11 | 青岛理工大学 | 基于深度卷积神经网络的沉底油声呐探测图像识别方法 |
-
2020
- 2020-12-25 CN CN202011556915.2A patent/CN112731410B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243154A (zh) * | 2015-10-27 | 2016-01-13 | 武汉大学 | 基于显著点特征和稀疏自编码的遥感图像检索方法及系统 |
CN107909082A (zh) * | 2017-10-30 | 2018-04-13 | 东南大学 | 基于深度学习技术的声呐图像目标识别方法 |
CN109100710A (zh) * | 2018-06-26 | 2018-12-28 | 东南大学 | 一种基于卷积神经网络的水下目标识别方法 |
CN111639659A (zh) * | 2019-03-01 | 2020-09-08 | 中国科学院声学研究所 | 一种水下沉底小目标融合分类方法 |
CN110082283A (zh) * | 2019-05-23 | 2019-08-02 | 山东科技大学 | 一种大气颗粒物sem图像识别方法及系统 |
CN110210399A (zh) * | 2019-05-31 | 2019-09-06 | 广东世纪晟科技有限公司 | 一种基于不确定性量化概率卷积神经网络的人脸识别方法 |
CN110321967A (zh) * | 2019-07-11 | 2019-10-11 | 南京邮电大学 | 基于卷积神经网络的图像分类改进算法 |
CN110781924A (zh) * | 2019-09-29 | 2020-02-11 | 哈尔滨工程大学 | 一种基于全卷积神经网络的侧扫声纳图像特征提取方法 |
CN111368633A (zh) * | 2020-01-18 | 2020-07-03 | 中国海洋大学 | 一种基于auv的侧扫声呐图像识别方法 |
CN111460932A (zh) * | 2020-03-17 | 2020-07-28 | 哈尔滨工程大学 | 基于自适应卷积的水声信号分类识别方法 |
CN111652149A (zh) * | 2020-06-04 | 2020-09-11 | 青岛理工大学 | 基于深度卷积神经网络的沉底油声呐探测图像识别方法 |
Non-Patent Citations (1)
Title |
---|
高诺等: "采用卷积神经网络的数字手写体识别的研究", 《齐鲁工业大学学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115294832A (zh) * | 2022-07-06 | 2022-11-04 | 中国船舶重工集团公司第七一五研究所 | 一种声呐设备训练数据生成方法 |
CN115294832B (zh) * | 2022-07-06 | 2024-02-27 | 中国船舶重工集团公司第七一五研究所 | 一种声呐设备训练数据生成方法 |
CN115685170A (zh) * | 2023-01-04 | 2023-02-03 | 青岛国数信息科技有限公司 | 基于强化学习的主动声纳目标回波检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112731410B (zh) | 2021-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Acosta et al. | Accumulated CA–CFAR process in 2-D for online object detection from sidescan sonar data | |
CN112731410B (zh) | 一种基于cnn的水下目标声呐探测方法 | |
CN102928435A (zh) | 基于图像和超声信息融合的飞机蒙皮损伤识别方法及装置 | |
CN112149591B (zh) | 用于sar图像的ssd-aeff自动桥梁检测方法及系统 | |
CN112465057B (zh) | 一种基于深度卷积神经网络的目标检测识别方法 | |
CN110675410A (zh) | 基于选择性搜索算法的侧扫声呐沉船目标非监督探测方法 | |
Isaacs | Sonar automatic target recognition for underwater UXO remediation | |
Liao et al. | Research on intelligent damage detection of far-sea cage based on machine vision and deep learning | |
Szymczyk et al. | Neural networks as a tool for georadar data processing | |
Ye et al. | Recognition algorithm of emitter signals based on PCA+ CNN | |
Wang et al. | Underwater Object Detection based on YOLO-v3 network | |
CN111627030A (zh) | 快速高效的可见光遥感影像海陆精确分割方法 | |
Yang et al. | Foreground enhancement network for object detection in sonar images | |
CN112346056B (zh) | 多脉冲雷达信号的分辨性特征融合提取方法及识别方法 | |
CN112485329B (zh) | 基于热成像与超声相结合检测排污口的方法、装置及系统 | |
Kong et al. | Automatic detection technology of sonar image target based on the three-dimensional imaging | |
Li et al. | A strategy of subsea pipeline identification with sidescan sonar based on YOLOV5 model | |
Gaur et al. | Whale Detection Enhancement through Synthetic Satellite Images | |
CN114549912B (zh) | 引力波侯选体筛选方法、装置及存储介质 | |
Tang et al. | Side-scan sonar underwater target segmentation using the BHP-UNet | |
Busson et al. | Seismic shot gather noise localization using a multi-scale feature-fusion-based neural network | |
Malarkodi et al. | Acoustic scattering of underwater targets | |
CN117173549B (zh) | 复杂场景下合成孔径声纳图像多尺度目标检测方法及系统 | |
Tong et al. | Automatic single fish detection with a commercial echosounder using YOLO v5 and its application for echosounder calibration | |
Liu et al. | Sonar target detection based on a dual channel attention convolutional network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |