CN115690035A - 基于声纳图形的水下结构缺陷检测方法、装置、设备和介质 - Google Patents
基于声纳图形的水下结构缺陷检测方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN115690035A CN115690035A CN202211330006.6A CN202211330006A CN115690035A CN 115690035 A CN115690035 A CN 115690035A CN 202211330006 A CN202211330006 A CN 202211330006A CN 115690035 A CN115690035 A CN 115690035A
- Authority
- CN
- China
- Prior art keywords
- underwater
- target
- sonar
- underwater structure
- defect detection
- 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.)
- Pending
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本申请涉及水下检测技术领域,提供了一种基于声纳图形的水下结构缺陷检测方法、装置、设备和介质。该方法包括:通过获取多波束测深声纳采集到的水下环境数据,通过底检测算法处理数据得到目标水下结构的位置和所在区域的水底地形,进而构建水下声纳图形,进行图像识别后,得到目标水下结构的缺陷检测结果,基于声纳图形进行缺陷检测,避免使用水下环境复杂导致的摄像机图像检测,提高了水下结构缺陷检测的准确性。
Description
技术领域
本申请涉及水下检测技术领域,尤其是涉及一种基于声纳图形的水下结构 缺陷检测方法、装置、设备和介质。
背景技术
在水下作业的项目中,视觉引导的自主水下航行器在水下环境中的探索。 在于水下环境复杂,自然光折射入海水中会受到海水光谱吸收不均的影响导致 图像呈蓝绿色偏,光在水中受到水中胶质颗粒的反向散射影响导致水下图像呈 现“雾”状模糊,可见度低的问题。水下航行器运动造成的水波晃动导致水下 相机运动模糊图像畸变问题,在这种情况下,通过水下相机采集到的水下图像 会使目标细节模糊,难以获取到有效信息。
发明内容
针对上述现有技术的不足,本发明提供一种基于声纳图形的水下结构缺陷 检测方法、装置、设备及介质。
一种基于声纳图形的水下结构缺陷检测方法,所述方法包括:
获取多波束测深声纳采集到的水下环境数据;
通过底检测算法处理所述水下环境数据,得到目标水下结构的位置和所述 目标水下结构的所在区域的水底地形;
根据所述目标水下结构的位置和水底地形,构建所述目标水下结构的水下 声纳图形;
根据所述水下声纳图形进行图像识别,得到所述目标水下结构的缺陷检测 结果。
在本发明一个实施例中,所述通过底检测算法处理所述水下环境数据,得 到目标水下结构的位置和所述目标水下结构的所在区域的水底地形,包括:
获取所述多波束测深声纳的每个波束方向散射信号到达水下环境的到达时 间或到达角度;
根据所述到达时间或到达角度,得到所述目标水下结构的位置和所述水底 地形。
在本发明一个实施例中,包括:
根据波束的时间窗数据获取所述波束方向散射信号的到达时间;通过如下 公式获取所述到达时间TOA:
其中,tstart和tend分别为时间窗的起始和终止门限,At为时间窗内幅度或功率 过动态门限的样本。
在本发明一个实施例中,包括:
根据所述波束的相邻子阵的相位差获取所述波束方向散射信号的到达角度; 通过如下公式获取所述到达角度DOA:
在本发明一个实施例中,所述方法包括:
获取相邻两个子阵的共轭相乘结果;
将所述共轭相乘结果进行复数滑动平均,得到滑动平均结果;
根据多组所述滑动平均结果的均值,得到所述相邻的两个子阵的相位差。
在本发明一个实施例中,所述根据所述目标水下结构的位置和水底地形, 得到所述目标水下结构的缺陷检测结果之前,所述方法还包括:
通过波束幅度信号的时间加权,得到波束的时间窗的能量;
若所述能量小于或等于预设能量阈值,剔除所述时间窗;
其中,所述时间窗的能量Ek通过如下公式得到:
其中,Ai为波束的幅度信号。
在本发明一个实施例中,所述根据所述水下声纳图形进行图像识别,得到 所述目标水下结构的缺陷检测结果,包括:
将所述水下声纳图形输入至预先配置的图像检测模型进行处理,根据输出 结果得到所述缺陷检测结果;
其中,所述图像检测模型通过包含多种水下目标结构的声纳图形数据集训 练得到,用于识别水下目标结构的缺陷。
一种基于声纳图形的水下结构缺陷检测装置,所述装置包括:
数据采集单元,用于获取多波束测深声纳采集到的水下环境数据;
底检测单元,用于通过底检测算法处理所述水下环境数据,得到目标水下 结构的位置和所述目标水下结构的所在区域的水底地形;
图形构建单元,用于根据所述目标水下结构的位置和水底地形,构建所述 目标水下结构的水下声纳图形;
缺陷检测单元,用于根据所述水下声纳图形进行图像识别,得到所述目标 水下结构的缺陷检测结果。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序, 所述处理器执行所述计算机程序时实现上述方法实施例的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处 理器执行时实现上述方法实施例的步骤。
本发明通过获取多波束测深声纳采集到的水下环境数据,通过底检测算法 处理数据得到目标水下结构的位置和所在区域的水底地形,进而构建水下声纳 图形,进行图像识别后,得到目标水下结构的缺陷检测结果,基于声纳图形进 行缺陷检测,避免使用水下环境复杂导致的摄像机图像检测,提高了水下结构 缺陷检测的准确性。
附图说明
图1为本发明一个实施例中提供的基于声纳图形的水下结构缺陷检测方法 的流程示意图;
图2为本发明一个实施例中提供的基于声纳图形的水下结构缺陷检测装置 的结构框图;
图3为本发明一个实施例中提供的计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,下面将参照附图更 详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例, 然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例。
在本公开使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本 公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和 “该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解, 本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或 所有可能组合。
本申请提供的基于声纳图形的水下结构缺陷检测方法中,可以通过多波束 测深声纳采集到的数据进行处理后进行水下结构的缺陷检测。
其中,多波束测深声纳的工作原理是利用发射换能器阵列向海底发射宽扇 区覆盖的声波,利用接收换能器阵列对声波进行窄波束接收,通过发射、接收 扇区指向的正交性形成对海底地形的照射脚印,对这些脚印进行恰当的处理, 一次探测就能给出与航向垂直的垂面内上百个甚至更多的海底被测点的水深值, 从而能够精确、快速地测出沿航线一定宽度内水下目标的大小、形状和高低变 化,比较可靠地描绘出海底地形的三维特征,进而根据需求构建水下声纳图形, 进行进一步分析。通过声纳进行信息采集,可以减少水下复杂地理环境、能见 度和光照的干扰,提高采集信息的准确性。
在一个实施例中,如图1所示,提供了一种基于声纳图形的水下结构缺陷 检测方法,以该方法应用于服务器为例进行说明,应当说明的是,该方法也可 应用在终端。具体地,该方法包括以下步骤:
S110,获取多波束测深声纳采集到的水下环境数据。
其中,多波束测深声纳可以向水下环境发出声波,并通过接收回波信号, 以对水下环境信息采集和分析。在多波束测深声纳采集的信息中,不同的水下 结构的声反向散射强度与水体背景噪声有着明显差异;基于多波束测深声纳水 下环境数据,可实现对目标水下结构的检测与辨识。多波束测深声纳可以随机 发生声波,也可以按照预设的周期发出声波。
其中,水下环境数据可以包括声纳的发射波束、接收波束、时间数据等, 可以从中分析即提取水下环境的特点,进行分析。
S120,获通过底检测算法处理所述水下环境数据,得到目标水下结构的位 置和所述目标水下结构的所在区域的水底地形。
其中,底检测算法,是通过对波束测深声纳发出的每个波束方向散射信号 进行到达时间和到达角度的精确估计,并结合已知声速,完成对水底地形的探 测。
其中,目标水下结构,指的是水下环境中的生命体或者非生命体结构,这 些水下结构相比水体,有更强的声反向散射强度,在形态上与水体图像背景噪 声也有着明显差异,不同的目标水下结构之间也有不同的形态特征,相对于波 束测深声纳的回波形情况也有所不同。通过水下环境数据,可以提取出水下环 境中的各个目标水下结构的特征,以及构建水底的基本形态。例如,目标水下 结构可以是珊瑚、鱼群、水底的火山口等水下环境中需要进行缺陷检测的结构。 一次探测中,可能包括多个类型的目标水下结构。
具体地,服务器可以通过底检测算法,从水下环境数据中,识别出目标水 下结构,并确定目标水下结构的位置和所在区域的水底地形。
S130,根据所述目标水下结构的位置和水底地形,构建所述目标水下结构 的水下声纳图形;
其中,水下声纳图形可以是二维图形,也可以是三维图形,用于可视化展 示目标水下结构的位置和周边水底地形的分布情况,便于进行图像识别和分析。
S140,根据所述水下声纳图形进行图像识别,得到所述目标水下结构的缺 陷检测结果。
其中,缺陷检测结果可以是有缺陷或者无缺陷。缺陷可以是预先配置的缺 陷列表,通过与历史声纳图形对比得到目标水下结构是否有缺陷。例如珊瑚缺 失、鱼群转移或者火山口分布变化等。
具体地,服务器可以从声纳图形中,通过图像识别模型,或者获取图像像 素处理,得到声纳图形中的目标水下结构的缺陷检测结果。
上述基于声纳图形的水下结构缺陷检测方法中,通过获取多波束测深声纳 采集到的水下环境数据,通过底检测算法处理数据得到目标水下结构的位置和 所在区域的水底地形,进而构建水下声纳图形,进行图像识别后,得到目标水 下结构的缺陷检测结果,基于声纳图形进行缺陷检测,避免使用水下环境复杂 导致的摄像机图像检测,提高了水下结构缺陷检测的准确性。
在一个实施例中,S120中确定通过底检测算法处理所述水下环境数据,得 到目标水下结构的位置和所述目标水下结构的所在区域的水底地形的步骤,包 括:
获取所述多波束测深声纳的每个波束方向散射信号到达水下环境的到达时 间或到达角度;根据所述到达时间或到达角度,得到所述目标水下结构和所述 水底地形。
本实施例中,多波束测深声纳可以包括发射阵和接收阵,发射阵可以沿航 迹向布放,形成在航迹向较窄而距离向较宽的发射波束;接收阵可以沿距离向 布放,形成在航迹向较宽而距离向较窄的接收波束。通过多波束测深声纳发射 波束和接收波束的交叉,即可同时获取一条测线多个方向的回波数据。每个波 束对应的参数包括发出时间、返回时间和回波信号的时间窗的能量等,可以用 于进一步做水下环境的分析。
具体地,服务器可以获取每个波束方向散射信号的发出时间、到达水下环 境的水底或水下结构的到达时间以及到达角度。基于多个波束的检测结果,得 到水下环境的特征参数,将特征参数和预先配置和各个类别的水下结构和水底 的参数进行比对,确定检测到的目标水下结构,进而根据各个波束的位置分布 特点,得到目标水下结构的位置和水底环境。
在一些实施例中,多波束测深声纳回波根据波束对目标的照射角度,有镜 像回波和非镜像回波两种。所谓的镜像回波是指声波对水底垂直照射时产生的 回波,照射声波几乎同时到达水底,回波信号短暂但幅度很强。非镜像回波则 是波束对水底倾斜照射,其传播损失较大,形成的接收波束脚印也较大,水底 回波持续时间较长但幅度较弱。对于镜像回波,不同角度的水底回波几乎同时 抵达,适合使用基于幅度的TOA估计方法。而对于非镜像回波,其水底回波持 续时间较长,有更长的相位曲线,使用相位法能够获得更好的底检测性能。服 务器可以获取水下结构和水底的回波时间窗。然后以波束掠射角为判据,判断目标回波是否来自镜像区域,若波束掠射角较小,则认为该波束回波来自镜像 区域,反之则认为该波束的回波来自非镜像区域。对镜像回波选择使用采用固 定波束角度的底检测算法进行检测,对非镜像回波选择使用推广的分裂子阵底 检测算法进行检测,从而实现多波束测深声纳的目标缺陷感知。
上述实施例的方案,通过多波束测深声纳的每个波束达到是u下环境的到 达时间和到达角度,得到目标水下结构的位置和水底地形,避免摄像机采集图 像导致的偏差,提升了获取水下结构参数的准确性。
在一个实施例中,服务器可以根据波束的时间窗数据获取所述波束方向散 射信号的到达时间;通过如下公式获取所述到达时间TOA:
其中,tstart和tend分别为时间窗的起始和终止门限,At为时间窗内幅度或功率 过动态门限的样本。
在一些实施例中,服务器可以对每个波束的时间窗内的每一个采样点,根 据背景噪声和旁瓣的估计,确定动态检测门限。对每个波束时间窗内过动态门 限的部分进行幅度加权平均,得到该束控角度处目标或水底的TOA值。
相关技术中,在一个波束内得到一点的海底深度值,因此必然会导致海底深 度测量分辨率的低下和海底深度测量点的不均匀分布,通过多个波束的参数的 加权平均,能够准确识别水底的细节变化。
在一个实施例中,根据所述波束的相邻子阵的相位差获取所述波束方向散 射信号的到达角度;通过如下公式获取到达角度DOA:
其中,为保证相邻两个子阵同号波束的相位差不发生卷绕,子阵长度H应 不小于两倍的子阵间隔M。
其中,推广的分裂子阵检测法采用多子阵结构,将接收基阵拆分为多个相互 重叠的子阵,其中θ0为波束控制角度,θ(n)为回波到达角度,M为两个子阵间距 离。由FFT波束形成理论可知:
式中,λ为声波波长,d为阵元间距,j为FFT波束序号,N为波束总数。
在一些实施例中,服务器可以获取相邻两个子阵的共轭相乘结果,将所述 共轭相乘结果进行复数滑动平均,得到滑动平均结果,根据多组所述滑动平均 结果的均值,得到相邻的两个子阵的相位差。
具体地,基于多波束测深声纳回波信号不可避免的被噪声污染,相位差序 列通常不能直接获取。因此,首先对两个相邻子阵的共轭相乘结果 Sr,r+1(n,j)=Sr(n,j)S* r+1(n,j)进行复数滑动平均,具体可参照如下公式得到相邻子阵 的滑动平均结果:
式中,L为滑动窗的长度,w(i)为窗函数。
然后对多组子阵复数滑动平均的结果求均值后,获取推广的分类子阵相位 法的相位差序列。多组子阵共轭相乘结果进行复数平均的公式为:
式中,R为子阵数目。
上述实施例的方案,通过基于相位差序列的浑浊水环境下图像目标信息增 强,可以避免噪声污染,提升了获取数据的准确性。
在一个实施例中,根据所述目标水下结构的位置和水底地形,得到所述目 标水下结构的缺陷检测结果之前的步骤包括:
通过波束幅度信号的时间加权,得到波束的时间窗的能量;
若所述能量小于或等于预设能量阈值,剔除所述时间窗;
其中,所述时间窗的能量Ek通过如下公式得到:
其中,Ai为波束的幅度信号。
本实施例中,水体中微小目标散射回波和接收机干扰回波通常持续时间较 短、能量较弱,服务器可以通过计算每个时间窗的能量,并将其和预设能量阈 值进行比较,剔除能量较弱的无效目标,以剔除干扰目标。若Ek大于预设能量 阈值,则认为该时间窗对应的是有效目标回波。若Ek小于或者等于预设能量阈 值,则人为该时间窗对应的是无效回波目标,可剔除。
其中,预设能量阈值可以根据发射信号脉冲宽度及经验获取。
上述实施例的方案,通过预设能量阈值剔除无效回波,可以提高获取的数 据的准确性。
在一个实施例中,根据所述水下声纳图形进行图像识别,得到所述目标水 下结构的缺陷检测结果的步骤,包括:
将所述水下声纳图形输入至预先配置的图像检测模型进行处理,根据输出 结果得到所述缺陷检测结果。
本实施例中,图像检测模型通过包含多种水下目标结构的声纳图形数据集 训练得到,用于识别水下目标结构的缺陷。服务器可以通过声学图像公式你和 生成检测数据集,该声学图像公式可以通过YOLOV5训练教师模型,该模型的 backbone由光学数据集目标检测迁移学习得到。进一步地,服务器可以通过教 师模型实时检测水下真实声纳图像数据,将检测结果作为软标签,同时手动标 记一部分作为硬标签,通过添加标签的数据集蒸馏学习教师网络的参数模型。
其中,YOLO网络由三个主要组件组成:1)Backbone:在不同图像细粒度 上聚合并形成图像特征的卷积神经网络。2)Neck:一系列混合和组合图像特征 的网络层,并将图像特征传递到预测层。(一般是FPN或者PANET)。3)Head: 对图像特征进行预测,生成边界框和并预测类别。YOLOV5中用到的模块包括 Focus,BottleneckCSP,SPP,PANET。
针对水下声纳图像噪声敏感的问题,可以在在YOLOV5的pipeline之前加 入自适应滤波,用spp模块训练滤波器的参数,反馈学习滤波器参数,以用于对 声纳图像的噪声过滤,通过SPP模块实现了局部特征和全局特征融合,丰富了 特征图的表达能力,有利于待检测信息中目标大小差异较大的情况,所以对检 测的精度上有了很大的提升。YOLOV5可以采用注意力机制SE (Squeeze-and-Excitation)模块提高识别精度。模型的上采样Upsample是采用 nearest两倍上采样插值。YOLOV5的Focus层的作用是将其复制四份,然后通 过切片操作将这个四个图片切成了四个切片,接下来使用concat从深度上连接 这四个切片,之后再通过卷积核数为32的卷积层,生成输出,最后经过 batch_norm和leaky_relu将结果输入到下一个卷积层。
上述实施例中,通过图像检测模型针对水下声纳图形进行图像识别,得到 缺陷检测结果,无需人工参与,提高缺陷检测的效率。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述 为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的 动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。 其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施 例,所涉及的动作并不一定是本发明所必须的。
在一个实施例中,如图2所示,提供了一种基于声纳图形的水下结构缺陷 检测装置,该装置200包括:
数据采集单元210,用于获取多波束测深声纳采集到的水下环境数据;
底检测单元220,用于通过底检测算法处理所述水下环境数据,得到目标水 下结构的位置和所述目标水下结构的所在区域的水底地形;
图形构建单元230,用于根据所述目标水下结构的位置和水底地形,构建所 述目标水下结构的水下声纳图形;
缺陷检测单元240,用于根据所述水下声纳图形进行图像识别,得到所述目 标水下结构的缺陷检测结果。
关于基于声纳图形的水下结构缺陷检测装置的具体限定可以参见上文中对 于基于声纳图形的水下结构缺陷检测方法的限定,在此不再赘述。上述基于声 纳图形的水下结构缺陷检测装置中的各个模块可全部或部分通过软件、硬件及 其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理 器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用 执行以上各个模块对应的操作。
本发明可以应用于计算机设备,如可以执行程序的智能手机、平板电脑、 笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜 式服务器(包括独立的服务器,或者多个服务器所组成的服务器集群)等。本实施 例的计算机设备至少包括但不限于:可通过系统总线相互通信连接的存储器、 处理器,如图3所示。需要指出的是,图3仅示出了具有存储器、处理器组件 的计算机设备,但是应理解的是,并不要求实施所有示出的组件,可以替代的 实施更多或者更少的组件。存储器(即可读存储介质)包括闪存、硬盘、多媒体 卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随 机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些 实施例中,存储器可以是计算机设备的内部存储单元,例如该计算机设备的硬 盘或内存。在另一些实施例中,存储器也可以是计算机设备的外部存储设备, 例如该计算机设备上配备的插接式硬盘,智能存储卡(SmartMedia Card,SMC), 安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。当然,存储器还可以既 包括计算机设备的内部存储单元也包括其外部存储设备。本实施例中,存储器通常用于存储安装于计算机设备的操作系统和各类应用软件,例如模型数据等。 此外,存储器还可以用于暂时地存储已经输出或者将要输出的各类数据。处理 器在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、 微控制器、微处理器、或其他数据处理芯片。该处理器通常用于控制计算机设 备的总体操作。本实施例中,处理器用于运行存储器中存储的程序代码或者处 理数据,以实现一种基于声纳图形的水下结构缺陷检测方法。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本申请方案相关 的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定, 具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件, 或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器 中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的 步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程 序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程, 是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于 一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述 各方法的实施例的流程。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利 用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运 用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于声纳图形的水下结构缺陷检测方法,其特征在于,所述方法包括:
获取多波束测深声纳采集到的水下环境数据;
通过底检测算法处理所述水下环境数据,得到目标水下结构的位置和所述目标水下结构的所在区域的水底地形;
根据所述目标水下结构的位置和水底地形,构建所述目标水下结构的水下声纳图形;
根据所述水下声纳图形进行图像识别,得到所述目标水下结构的缺陷检测结果。
2.根据权利要求1所述的方法,其特征在于,所述通过底检测算法处理所述水下环境数据,得到目标水下结构的位置和所述目标水下结构的所在区域的水底地形,包括:
获取所述多波束测深声纳的每个波束方向散射信号到达水下环境的到达时间或到达角度;
根据所述到达时间或到达角度,得到所述目标水下结构的位置和所述水底地形。
5.根据权利要求4所述的方法,其特征在于,所述方法包括:
获取相邻两个子阵的共轭相乘结果;
将所述共轭相乘结果进行复数滑动平均,得到滑动平均结果;
根据多组所述滑动平均结果的均值,得到所述相邻的两个子阵的相位差。
7.根据权利要求6所述的方法,其特征在于,所述根据所述水下声纳图形进行图像识别,得到所述目标水下结构的缺陷检测结果,包括:
将所述水下声纳图形输入至预先配置的图像检测模型进行处理,根据输出结果得到所述缺陷检测结果;
其中,所述图像检测模型通过包含多种水下目标结构的声纳图形数据集训练得到,用于识别水下目标结构的缺陷。
8.一种基于声纳图形的水下结构缺陷检测装置,其特征在于,所述装置包括:
数据采集单元,用于获取多波束测深声纳采集到的水下环境数据;
底检测单元,用于通过底检测算法处理所述水下环境数据,得到目标水下结构的位置和所述目标水下结构的所在区域的水底地形;
图形构建单元,用于根据所述目标水下结构的位置和水底地形,构建所述目标水下结构的水下声纳图形;
缺陷检测单元,用于根据所述水下声纳图形进行图像识别,得到所述目标水下结构的缺陷检测结果。
9.一种计算机设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211330006.6A CN115690035A (zh) | 2022-10-27 | 2022-10-27 | 基于声纳图形的水下结构缺陷检测方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211330006.6A CN115690035A (zh) | 2022-10-27 | 2022-10-27 | 基于声纳图形的水下结构缺陷检测方法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115690035A true CN115690035A (zh) | 2023-02-03 |
Family
ID=85045144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211330006.6A Pending CN115690035A (zh) | 2022-10-27 | 2022-10-27 | 基于声纳图形的水下结构缺陷检测方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115690035A (zh) |
-
2022
- 2022-10-27 CN CN202211330006.6A patent/CN115690035A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Crisp | The state-of-the-art in ship detection in synthetic aperture radar imagery | |
Murino et al. | Three-dimensional image generation and processing in underwater acoustic vision | |
EP1894038B1 (en) | Continuous, continental-shelf-scale monitoring of fish populations and behavior | |
Buscombe | Shallow water benthic imaging and substrate characterization using recreational-grade sidescan-sonar | |
EP2263097B1 (en) | Autonomous sonar system and method | |
US20200379104A1 (en) | Three-dimensional forward-looking sonar target recognition with machine learning | |
JP2008292449A (ja) | 水中で対象物を検知し分類する自動目標識別システム | |
Bagnitsky et al. | Side scan sonar using for underwater cables & pipelines tracking by means of AUV | |
US8638641B2 (en) | Real-time robust method for determining the trajectory of one or more cetaceans by means of passive acoustics, using a laptop computer | |
Westman et al. | Wide aperture imaging sonar reconstruction using generative models | |
Lamarche et al. | Benthic habitat mapping | |
Mitchell | Processing and analysis of Simrad multibeam sonar data | |
Sung et al. | Realistic sonar image simulation using generative adversarial network | |
EP3771927A1 (fr) | Système ultrasonore pour détecter un flux d'un fluide dans un milieu | |
Villar et al. | Pipeline detection system from acoustic images utilizing CA-CFAR | |
Bikonis et al. | Application of shape from shading technique for side scan sonar images | |
CN115690035A (zh) | 基于声纳图形的水下结构缺陷检测方法、装置、设备和介质 | |
US10921293B2 (en) | Method and device for detecting and characterizing a reflecting element in an object | |
Trygonis et al. | An operational system for automatic school identification on multibeam sonar echoes | |
Wang et al. | Seafloor classification based on deep-sea multibeam data—Application to the southwest Indian Ridge at 50.47° E | |
CN112485329A (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 | |
Geilhufe et al. | Through-the-sensor sharpness estimation for synthetic aperture sonar images | |
Petillot et al. | A framework for evaluating underwater mine detection and classification algorithms using augmented reality | |
Siccardi et al. | Seabed vegetation analysis by a 2 MHz sonar | |
EP3028065B1 (en) | Method and system for determining a location of a reflecting scatterer in a medium |
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 |