CN118471264A - 船舶目标识别方法及装置 - Google Patents
船舶目标识别方法及装置 Download PDFInfo
- Publication number
- CN118471264A CN118471264A CN202410910086.5A CN202410910086A CN118471264A CN 118471264 A CN118471264 A CN 118471264A CN 202410910086 A CN202410910086 A CN 202410910086A CN 118471264 A CN118471264 A CN 118471264A
- Authority
- CN
- China
- Prior art keywords
- sound signal
- spectrum data
- data
- frequency spectrum
- processing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000001228 spectrum Methods 0.000 claims abstract description 166
- 230000005236 sound signal Effects 0.000 claims abstract description 125
- 238000012545 processing Methods 0.000 claims abstract description 73
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 58
- 238000012549 training Methods 0.000 claims description 55
- 230000003595 spectral effect Effects 0.000 claims description 21
- 238000007781 pre-processing Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 abstract description 7
- 238000001514 detection method Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 9
- 238000013461 design Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 241000283153 Cetacea Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000006260 foam Substances 0.000 description 1
- 230000005238 low-frequency sound signal Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Landscapes
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本申请提供一种船舶目标识别方法及装置，涉及目标检测技术领域。在该方案中，计算机设备可以获取待识别目标的声音信号；通过DEMON算法对所述声音信号进行处理，得到所述声音信号的第一频谱数据；通过LOFAR算法对所述声音信号进行处理，得到所述声音信号的第二频谱数据；将所述第一频谱数据和所述第二频谱数据输入目标识别模型，得到所述待识别目标的识别结果。通过该方案，能够将DEMON算法和LOFAR算法与卷积神经网络算法相结合，从声音信号的频谱数据中学习到更抽象和深层的特征，显著提高了船舶目标识别的准确性。
Description
技术领域
本申请涉及目标检测技术领域，尤其涉及一种船舶目标识别方法及装置。
背景技术
随着全球贸易和海洋资源开发的不断增长，海上交通流量显著增加，船舶在海上导航和管理中的重要性日益突出。然而，传统的船舶监控手段，例如雷达和自动识别系统（Automatic Identification System，AIS），在面对复杂海况、恶劣气象条件以及高密度交通情况时，常常难以有效地识别和分类船舶目标。尤其在一些特定场景下，如船舶避碰、港口调度、非法捕捞监测等方面，对船舶目标识别提出了更高的要求。
传统的船舶目标识别分为主动声呐处理和被动声呐处理两种方式。通过主动声呐装置或被动声呐装置采集船舶目标的主动回波或被动辐射噪声，进行信号处理提取并分析图谱特征信息，判定船舶目标的典型特征，从而实现对船舶目标的识别。
传统的目标识别方法的优势在于它们在计算上通常更简单，更容易理解和实现，其劣势在于传统算法难以适应声学特征的多样性，只能刻画船舶目标的部分典型特征，并且它们缺乏自我学习和适应新情况的能力，这意味着在面临不断变化的海洋环境和船舶行为时，它们识别的准确性会大大下降。
因此，有必要提供一种识别的准确性更高的船舶目标识别方法。
发明内容
本申请提供一种船舶目标识别方法及系统，用于提高船舶目标识别的准确性。
第一方面，本申请提供一种船舶目标识别方法，所述方法包括：获取待识别目标的声音信号；通过DEMON算法对所述声音信号进行处理，得到所述声音信号的第一频谱数据；通过LOFAR算法对所述声音信号进行处理，得到所述声音信号的第二频谱数据；将所述第一频谱数据和所述第二频谱数据输入目标识别模型，得到所述待识别目标的识别结果。
在第一方面的一种可能设计中，所述获取待识别目标的声音信号之前，所述方法还包括：获取训练数据集，所述训练数据集中包括多组训练样本，每组所述训练样本至少包括第一样本频谱数据、第二样本频谱数据以及对应的标签数据；对于每组所述训练样本，将所述第一样本频谱数据、所述第二样本频谱数据输入待训练模型，得到训练识别结果；根据预设损失函数，计算所述训练识别结果与所述标签数据之间的差值；利用反向传播算法，根据所述差值计算所述待训练模型的每个网络参数的梯度信息；利用梯度下降算法，根据所述梯度信息更新所述待训练模型的网络参数；重复所述将所述第一样本频谱数据、所述第二样本频谱数据输入待训练模型，得到训练识别结果的过程，直至达到预设停止条件，得到所述目标识别模型。
在第一方面的一种可能设计中，所述通过DEMON算法对所述声音信号进行处理，得到所述声音信号的第一频谱数据，包括：对所述声音信号进行第一预处理，以突出所述声音信号中的螺旋桨噪声；所述预处理至少包括滤波处理和去噪处理；采用希尔伯特变换法对经过所述第一预处理的声音信号进行包络提取，得到包络信号，所述包络信号中包括所述声音信号的调幅特征；对所述包络信号进行快速傅里叶变换处理，得到所述声音信号的频谱特征；根据所述频谱特征绘制频谱图，得到所述第一频谱数据。
在第一方面的一种可能设计中，所述通过LOFAR算法对所述声音信号进行处理，得到所述声音信号的第二频谱数据，包括：对所述声音信号进行快速傅里叶变换处理，得到所述声音信号的频谱；根据所述声音信号的频谱绘制时间-频率图，得到所述第二频谱数据。
在第一方面的一种可能设计中，所述将所述第一频谱数据和所述第二频谱数据输入目标识别模型之前，所述方法还包括：分别对所述第一频谱数据和所述第二频谱数据进行预处理；所述预处理至少包括归一化处理和降噪处理。
在第一方面的一种可能设计中，所述分别对所述第一频谱数据和所述第二频谱数据进行预处理之后，所述方法还包括：分别对所述第一频谱数据和所述第二频谱数据进行数据增强处理；所述数据增强处理至少包括旋转、缩放和剪裁处理。
第二方面，本申请提供一种船舶目标识别装置，所述装置包括：换能器，用于获取待识别目标的声音信号；信号处理器，用于对所述换能器获取到的所述声音信号进行处理，得到第一频谱数据和第二频谱数据，并根据所述第一频谱数据、所述第二频谱数据和目标识别模型，得到所述待识别目标的识别结果；显示模块，用于对所述信号处理器得到的识别结果进行显示。
在一种可能设计中，所述装置还包括：数据记录模块，用于对所述声音信号以及所述声音信号的识别结果进行记录。
第三方面，本申请提供一种船舶目标识别装置，所述装置包括：获取模块，用于获取待识别目标的声音信号；第一处理模块，用于通过DEMON算法对所述声音信号进行处理，得到所述声音信号的第一频谱数据；第二处理模块，用于通过LOFAR算法对所述声音信号进行处理，得到所述声音信号的第二频谱数据；识别模块，用于将所述第一频谱数据和所述第二频谱数据输入目标识别模型，得到所述待识别目标的识别结果。
第四方面，本申请提供一种计算机设备，包括：收发器，处理器，以及与所述处理器通信连接的存储器；所述存储器存储计算机执行指令；所述处理器执行所述存储器存储的计算机执行指令，以实现如第一方面中任一项所述的船舶目标识别方法。
第五方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如第一方面中任一项所述的船舶目标识别方法。
第六方面，本申请提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如第一方面中任一项所述的船舶目标识别方法。
本申请提供的船舶目标识别方法及装置，涉及目标检测技术领域。在该方案中，计算机设备可以获取待识别目标的声音信号；通过DEMON算法对所述声音信号进行处理，得到所述声音信号的第一频谱数据；通过LOFAR算法对所述声音信号进行处理，得到所述声音信号的第二频谱数据；将所述第一频谱数据和所述第二频谱数据输入目标识别模型，得到所述待识别目标的识别结果。通过该方案，能够将DEMON算法和LOFAR算法与卷积神经网络算法相结合，从声音信号的频谱数据中学习到更抽象和深层的特征，显著提高了船舶目标识别的准确性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1为本申请提供的船舶目标识别方法实施例一的应用场景示意图；
图2为本申请提供的船舶目标识别方法实施例二的示意性流程图；
图3为本申请提供一种的船舶目标识别装置的示意性结构图；
图4为本申请提供另一种的船舶目标识别装置的示意性结构图；
图5为本申请提供的计算机设备的示意性结构图。
通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
随着水上交通流量密度的增加，导航环境越来越复杂。船舶的目标识别能力直接关系到海上航行安全。传统船舶目标识别分为主动声呐处理和被动声呐处理两种识别方式。通过主动声呐装置采集船舶目标的主动回波信号，或者，通过被动声呐装置采集船舶目标的被动辐射噪声信号，然后进行信号处理，提取并分析图谱特征信息，判定船舶目标的典型特征，从而实现对船舶目标的识别。
传统目标识别方法的优势在于计算上更为简单，更容易理解和实现，其劣势在于传统算法难以适应声学特征的多样性，只能刻画出船舶目标的部分典型特征，这意味着在面临不断变化的海洋环境和船舶行为时，识别的准确性会大大下降。
基于此，发明人提出了在传统船舶目标识别技术的基础上，加入深度学习算法。具体地，本申请所使用的传统船舶目标识别技术包括DEMON技术和LOFAR技术，并加入卷积神经网络。其中，DEMON（Demodulation of Envelope Modulation On Noise）和LOFAR（LowFrequency Analysis and Recording）是常用的声呐信号处理技术，主要用于船舶目标的特征识别和分类。这两种技术能够利用目标船舶产生的声音信号的特征，分析其频谱，从而实现对船舶种类、速度等信息的识别。
在本申请的方案中，通过DEMON技术得到声音信号的第一频谱数据，并通过LOFAR技术得到声音信号的第二频谱数据后，将第一频谱数据和第二频谱数据作为卷积神经网络的输入，使其从第一频谱数据和第二频谱数据中学习到更抽象和深层的特征，这些特征虽然不容易被直观解释，但是将传统船舶目标识别技术识别到的特征和深层特征结合使用，就能显著提高船舶目标识别的准确性。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。
图1为本申请提供的船舶目标识别方法的示意性流程图。如图1所示，本申请的船舶目标识别方法可以包括如下步骤：
步骤1100，获取待识别目标的声音信号。
其中，待识别目标是指需要通过监测、检测和分类加以识别的对象。示例性的，待识别目标可以是船舶本身，如各类商船、渔船、客船、休闲船只等；或者，待识别目标可以是海上设施，如海上平台、浮标和航标、码头和港口设施；或者，待识别目标可以是海洋生物，如大型海洋哺乳动物和鱼群；或者，待识别目标可以是漂浮物和障碍物，如飘浮垃圾、漂流木、其他非船只漂浮物等；或者，待识别目标可以是天气现象和环境特征，如海浪和白沫、浮冰和冰山、雾气和降水区等；或者，待识别目标可以是救援和紧急设备，如救生筏、救生圈、沉船残骸等。
其中，声音信号可以是主动获取的，也可以是被动获取的。具体的，在主动声呐系统中，能够通过换能器发射声波并接收从待识别目标反射回来的声音信号。在被动声呐系统中，能够通过换能器接收水下待识别目标发出的声音信号。
步骤1200，通过DEMON算法对声音信号进行处理，得到声音信号的第一频谱数据。
DEMON算法主要用于检测和分析在船舶螺旋桨运转时产生的调制噪声。螺旋桨在旋转时，会在其产生的噪声信号中引入特定的调制模式，这些模式与船舶的类型、速度和螺旋桨的结构密切相关。从而通过DEMON算法分析获取到的声音信号，能够推断出待识别目标的类型和其他相关信息。
具体的，在通过DEMON算法对声音信号进行处理时，先对声音信号进行第一预处理，以突出声音信号中的螺旋桨噪声；预处理至少包括滤波处理和去噪处理。接下来，采用希尔伯特变换法对经过第一预处理的声音信号进行包络提取，得到包络信号，包络信号中包括声音信号的调幅特征。在得到包络信号后，对包络信号进行快速傅里叶变换处理，得到声音信号的频谱特征。由于螺旋桨的运转会在特定频率产生明显的能量峰，因此，根据得到的频谱特征绘制对应的频谱图，得到第一频谱数据，这样，通过分析第一频谱数据中的特征，如峰值频率，能量分布等，就可以推断出船舶等类型和其他相关信息。
步骤1300，通过LOFAR算法对声音信号进行处理，得到声音信号的第二频谱数据。
LOFAR算法主要用于分析船舶产生的低频噪声，这些噪声包括机械设备、螺旋桨等的低频声音信号，通过LOFAR算法，可以揭示出更多关于船舶运行状况的细节。
具体的，在通过LOFAR算法对声音信号进行处理时，直接对声音信号进行快速傅里叶变换处理，得到声音信号的频谱；然后根据声音信号的频谱绘制时间-频率图，得到第二频谱数据。这样，通过分析时间-频率图中的线条和模式识别船舶的特定频谱特征。示例性的，在分析第二频谱数据时，可以提取如线条斜率、能量集中区域等特征，用以推断船舶类型和速度等信息。
需要说明的是，本申请中，可以先执行步骤1200，再执行步骤1300；或者，先执行步骤1300，再执行步骤1200；或者，并行执行步骤1200和步骤1300。本申请对上述步骤1200和步骤1300的执行顺序不做具体限定。
在得到第一频谱数据和第二频谱数据后，进入步骤1400：
步骤1400，将第一频谱数据和第二频谱数据输入目标识别模型，得到待识别目标的识别结果。
其中，目标识别模型是根据卷积神经网络预先训练得到的，用于根据声音信号的第一频谱数据和第二频谱数据识别出待识别目标的数学模型。目标识别模型能够从第一频谱数据和第二频谱数据中学习到更抽象和深层的特征，显著提高船舶目标识别和分类的准确性。可以理解，在复杂的海洋环境中，单一的频谱数据可能不够鲁棒，而多个频谱数据可以提供更多的判别信息，增强目标识别模型的鲁棒性。
本步骤中，将第一频谱数据和第二频谱数据作为目标识别模型的输入，目标识别模型能够从第一频谱数据和第二频谱数据中提取出频谱图像特征，并通过提取出的频谱图像特征得到待识别目标的识别结果。
在一个实现方式中，在将第一频谱数据和第二频谱数据输入至目标识别模型之前，可以先对第一频谱数据和第二频谱数据进行预处理，该预处理可以包括归一化处理和降噪处理，从而减少无关变量对目标识别模型性能的影响。
在对第一频谱数据和第二频谱数据进行预处理之后，为了提高目标识别模型的泛化能力，进一步还可以分别对第一频谱数据和第二频谱数据进行数据增强处理，该数据增强处理至少可以包括旋转、缩放和剪裁处理。
目标识别模型在对第一频谱数据和第二频谱数据进行分析后，得出待识别目标的识别结果，该识别结果例如可以包括船舶类别、船舶在图像或视频中的位置和大小，识别结果的置信度分数、船舶数量、船舶尺寸、船舶的朝向信息等。本实施例对识别结果中包括的内容不做具体限定。
本实施例的船舶目标识别方法中，计算机设备可以获取待识别目标的声音信号；通过DEMON算法对声音信号进行处理，得到声音信号的第一频谱数据；通过LOFAR算法对声音信号进行处理，得到声音信号的第二频谱数据；将第一频谱数据和第二频谱数据输入目标识别模型，得到待识别目标的识别结果。通过该方案，能够将DEMON算法和LOFAR算法与卷积神经网络算法相结合，从声音信号的频谱数据中学习到更抽象和深层的特征，显著提高了船舶目标识别的准确性。
图2为本申请提供的船舶目标识别方法实施例二的示意性流程图。如图2所示，在上述实施例的基础上，上述目标识别模型的训练过程可以包括如下步骤2100至步骤2500：
步骤2100，获取训练数据集，训练数据集中包括多组训练样本，每组训练样本至少包括第一样本频谱数据、第二样本频谱数据以及对应的标签数据。
步骤2200，对于每组训练样本，将第一样本频谱数据、第二样本频谱数据输入待训练模型，得到训练识别结果。
其中，训练识别结果是待训练模型根据第一样本频谱数据和第二样本频谱数据得到的识别结果，训练识别结果可能与实际识别结果之间存在偏差，这个偏差将在训练过程中逐渐减小。
步骤2300，根据预设损失函数，计算训练识别结果与标签数据之间的差值。
其中，标签数据即为与第一样本频谱数据和第二样本频谱数据对应的真实识别结果。根据预设损失函数计算出的差值，可以用于衡量待训练模型在当前参数配置下的预测性能。如果差值较大，说明待训练模型的预测结果与实际情况相差较大；如果差值较小，说明待训练模型的预测较为准确。
在计算得到差值后，即可根据差值进一步优化待训练模型，以提高待训练模型的预测精度。
步骤2400，利用反向传播算法，根据差值计算待训练模型的每个网络参数的梯度信息。
具体的，梯度信息是损失函数相对于网络参数的偏导数，表示损失函数变化的方向和速率。通过这些梯度信息，可以确定如何调整待训练模型的网络参数以减小损失值，从而提高待训练模型的预测精度。
在具体的计算过程中，可以先计算输出层的梯度信息，然后再逐层向前计算每一层的梯度信息，直至计算出所有网络参数的梯度信息。
步骤2500，利用梯度下降算法，根据梯度信息更新待训练模型的网络参数。
在待训练模型的训练过程中，训练目标是最小化损失函数。本步骤中，使用梯度下降算法来更新网络参数，使得在下一次迭代中，损失函数的损失值逐渐减小，直至收敛。在一个实现方式中，可以将当前网络参数值减去学习率后乘以梯度值，以使损失函数的损失值逐渐减小。
步骤2600，重复将第一样本频谱数据、第二样本频谱数据输入待训练模型，得到训练识别结果的过程，直至达到预设停止条件，得到目标识别模型。
重复上述步骤2200至步骤2500，通过多次迭代训练不断更新网络参数，直至达到预设停止条件，结束对待训练模型的训练过程。其中，预设停止条件可以是达到最大迭代次数，或者，预设停止条件可以是损失函数收敛。预设停止条件可以根据实际需求进行设定，本申请对预设停止条件不做具体限定。
本申请实施例的船舶目标识别方法，通过预先获取的训练数据集，对构建的待训练模型进行训练，能够将DEMON算法和LOFAR算法与卷积神经网络算法相结合，从声音信号的频谱数据中学习到更抽象和深层的特征，显著提高了船舶目标识别的准确性，而且能够处理更复杂的环境和噪声条件。进一步地，还可以将上述实施例一的识别结果、第一频谱数据和第二频谱数据作为新的训练样本，更新目标识别模型。
图3为本申请提供一种的船舶目标识别装置的示意性结构图。如图3所示，本申请的船舶目标识别装置3000可以设置在船舶、潜艇、浮标或固定平台上，该船舶目标识别装置3000可以包括：换能器3100、信号处理器3200和显示模块3300。
其中，换能器3100，用于获取待识别目标的声音信号。
具体的，换能器3100是声呐系统的核心部分，用于发射和接收声音信号。在主动声呐系统中，换能器3100可以发射声波并接收从水下目标反射回来的声音信号。在被动声呐系统中，换能器3100则被用来接收水下目标，如船舶、潜艇发出的声音信号。
需要说明，换能器3100在主动声呐系统中使用时，还具有发射/接收开关，用于切换换能器3100的发射模式和接收模式。
信号处理器3200，用于对换能器3100获取到的声音信号进行处理，得到第一频谱数据和第二频谱数据，并根据第一频谱数据、第二频谱数据和目标识别模型，得到待识别目标的识别结果。
具体的，信号处理器3200可以通过DEMON算法对声音信号进行处理，得到第一频谱数据；并通过LOFAR算法对声音信号进行处理，得到第二频谱数据。
其中，信号处理器3200在通过DEMON算法对声音信号进行处理时，可以先对声音信号进行第一预处理，如，滤波处理和去噪处理，以突出声音信号中的螺旋桨噪声。然后，采用希尔伯特变换法对经过第一预处理的声音信号进行包络提取，得到包括声音信号的调幅特征的包络信号。对包络信号进行快速傅里叶变换处理，得到声音信号的频谱特征。在得到频谱特征后，可以根据频谱特征绘制对应的频谱图，将该频谱图作为声音信号的第一频谱数据。
信号处理器3200在通过LOFAR算法对声音信号进行处理时，可以直接对声音信号进行快速傅里叶变换处理，得到声音信号的频谱，然后根据声音信号的频谱绘制时间-频谱图，将时间-频谱图作为声音信号的第二频谱数据。
信号处理器3200将第一频谱数据和第二频谱数据输入目标识别模型进行识别，即可得到待识别目标的识别结果。
在一个实现方式中，信号处理器3200在将第一频谱数据和第二频谱数据输入目标识别模型之前，还可以分别对第一频谱数据和第二频谱数据进行第二预处理，以减少无关变量对目标识别模型的识别性能的影响。其中，第二预处理可以包括归一化处理和降噪处理。
在一个实现方式中，信号处理器3200在分别对第一频谱数据和第二频谱数据进行第二预处理后，进一步还可以分别对第一频谱数据和第二频谱数据及性能数据增强处理，以提高目标识别模型的泛化能力。其中，数据增强处理可以包括旋转、缩放和剪裁处理。
具体的，目标识别模型是基于预先获取的训练数据集，对构建的待训练模型进行训练后得到的。该目标识别模型的训练过程可以包括：获取训练数据集，训练数据集中包括多组训练样本，每组训练样本至少包括第一样本频谱数据、第二样本频谱数据以及对应的标签数据；对于每组训练样本，将第一样本频谱数据、第二样本频谱数据输入待训练模型，得到训练识别结果；根据预设损失函数，计算训练识别结果与标签数据之间的差值；利用反向传播算法，根据差值计算待训练模型的每个网络参数的梯度信息；利用梯度下降算法，根据梯度信息更新待训练模型的网络参数；重复将第一样本频谱数据、第二样本频谱数据输入待训练模型，得到训练识别结果的过程，直至达到预设停止条件，得到目标识别模型。
显示模块3300，用于对信号处理器3200得到的识别结果进行显示。
显示模块3300用于显示识别结果，显示模块3300可以是屏幕或控制台，其显示的识别结果可以包括待识别目标的距离、大小、速度、轨迹等。同时，也可以显示用户操作界面，以供用户控制声呐系统。
在一个实现方式中，该船舶目标识别装置3000还可以包括数据记录模块，用于对声音信号以及声音信号的识别结果进行记录，供后续分析之用。
可以理解，在实际应用中，该船舶目标识别装置3000还可以包括电源模块，用于为船舶目标识别装置3000提供电能。
本实施例提供的船舶目标识别装置，可以用于执行前述任一方法实施例中船舶目标识别方法，其实现原理和技术效果类似，在此不再赘述。
图4为本申请提供另一种的船舶目标识别装置的示意性结构图。如图4所示，本申请的船舶目标识别装置4000可以包括：获取模块4100，第一处理模块4200，第二处理模块4300和识别模块4400。
其中，获取模块4100，用于获取待识别目标的声音信号。
第一处理模块4200，用于通过DEMON算法对声音信号进行处理，得到声音信号的第一频谱数据。
第二处理模块4300，用于通过LOFAR算法对声音信号进行处理，得到声音信号的第二频谱数据。
识别模块4400，用于将第一频谱数据和第二频谱数据输入目标识别模型，得到待识别目标的识别结果。
在一个实现方式中，本实施例的船舶目标识别装置4000还可以包括训练模块，用于获取训练数据集，训练数据集中包括多组训练样本，每组训练样本至少包括第一样本频谱数据、第二样本频谱数据以及对应的标签数据。对于每组训练样本，将第一样本频谱数据、第二样本频谱数据输入待训练模型，得到训练识别结果。根据预设损失函数，计算训练识别结果与标签数据之间的差值。利用反向传播算法，根据差值计算待训练模型的每个网络参数的梯度信息。利用梯度下降算法，根据梯度信息更新待训练模型的网络参数。重复将第一样本频谱数据、第二样本频谱数据输入待训练模型，得到训练识别结果的过程，直至达到预设停止条件，得到目标识别模型。
在一个实现方式中，第一处理模块4200具体可以用于对声音信号进行第一预处理，以突出声音信号中的螺旋桨噪声；预处理至少包括滤波处理和去噪处理；采用希尔伯特变换法对经过第一预处理的声音信号进行包络提取，得到包络信号，包络信号中包括声音信号的调幅特征；对包络信号进行快速傅里叶变换处理，得到声音信号的频谱特征；根据频谱特征绘制频谱图，得到第一频谱数据。
在一个实现方式中，第二处理模块4300具体可以用于对声音信号进行快速傅里叶变换处理，得到声音信号的频谱；根据声音信号的频谱绘制时间-频率图，得到第二频谱数据。
在一个实现方式中，本实施例的船舶目标识别装置4000还可以包括预处理模块，用于分别对第一频谱数据和第二频谱数据进行预处理；预处理至少包括归一化处理和降噪处理。
在一个实现方式中，本实施例的船舶目标识别装置4000还可以包括增强处理模块，用于分别对第一频谱数据和第二频谱数据进行数据增强处理；数据增强处理至少包括旋转、缩放和剪裁处理。
本实施例提供的船舶目标识别装置，可以用于执行前述任一方法实施例中船舶目标识别方法，其实现原理和技术效果类似，在此不再赘述。
图5为本申请提供的计算机设备的示意性结构图。如图5所示，该计算机设备500具体可以包括收发器501、处理器502以及存储器503。其中，上述收发器501用于实现与车辆进行数据传输，上述存储器503存储计算机执行指令；上述处理器502执行上述存储器503存储的计算机执行指令，以实现上述实施例中的船舶目标识别方法。
本实施例提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现上述实施例中的船舶目标识别方法。
本实施例还提供一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时实现上述任意一个实施例提供的船舶目标识别方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (10)
1.一种船舶目标识别方法，其特征在于，所述方法包括：
获取待识别目标的声音信号；
通过DEMON算法对所述声音信号进行处理，得到所述声音信号的第一频谱数据；
通过LOFAR算法对所述声音信号进行处理，得到所述声音信号的第二频谱数据；
将所述第一频谱数据和所述第二频谱数据输入目标识别模型，得到所述待识别目标的识别结果。
2.根据权利要求1所述的方法，其特征在于，所述获取待识别目标的声音信号之前，所述方法还包括：
获取训练数据集，所述训练数据集中包括多组训练样本，每组所述训练样本至少包括第一样本频谱数据、第二样本频谱数据以及对应的标签数据；
对于每组所述训练样本，将所述第一样本频谱数据、所述第二样本频谱数据输入待训练模型，得到训练识别结果；
根据预设损失函数，计算所述训练识别结果与所述标签数据之间的差值；
利用反向传播算法，根据所述差值计算所述待训练模型的每个网络参数的梯度信息；
利用梯度下降算法，根据所述梯度信息更新所述待训练模型的网络参数；
重复所述将所述第一样本频谱数据、所述第二样本频谱数据输入待训练模型，得到训练识别结果的过程，直至达到预设停止条件，得到所述目标识别模型。
3.根据权利要求1所述的方法，其特征在于，所述通过DEMON算法对所述声音信号进行处理，得到所述声音信号的第一频谱数据，包括：
对所述声音信号进行第一预处理，以突出所述声音信号中的螺旋桨噪声；所述预处理至少包括滤波处理和去噪处理；
采用希尔伯特变换法对经过所述第一预处理的声音信号进行包络提取，得到包络信号，所述包络信号中包括所述声音信号的调幅特征；
对所述包络信号进行快速傅里叶变换处理，得到所述声音信号的频谱特征；
根据所述频谱特征绘制频谱图，得到所述第一频谱数据。
4.根据权利要求1所述的方法，其特征在于，所述通过LOFAR算法对所述声音信号进行处理，得到所述声音信号的第二频谱数据，包括：
对所述声音信号进行快速傅里叶变换处理，得到所述声音信号的频谱；
根据所述声音信号的频谱绘制时间-频率图，得到所述第二频谱数据。
5.根据权利要求3或4所述的方法，其特征在于，所述将所述第一频谱数据和所述第二频谱数据输入目标识别模型之前，所述方法还包括：
分别对所述第一频谱数据和所述第二频谱数据进行第二预处理；所述第二预处理至少包括归一化处理和降噪处理。
6.根据权利要求5所述的方法，其特征在于，所述分别对所述第一频谱数据和所述第二频谱数据进行预处理之后，所述方法还包括：
分别对所述第一频谱数据和所述第二频谱数据进行数据增强处理；所述数据增强处理至少包括旋转、缩放和剪裁处理。
7.一种船舶目标识别装置，其特征在于，所述装置包括：
换能器，用于获取待识别目标的声音信号；
信号处理器，用于对所述换能器获取到的所述声音信号进行处理，得到第一频谱数据和第二频谱数据，并根据所述第一频谱数据、所述第二频谱数据和目标识别模型，得到所述待识别目标的识别结果；
显示模块，用于对所述信号处理器得到的识别结果进行显示。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
数据记录模块，用于对所述声音信号以及所述声音信号的识别结果进行记录。
9.一种船舶目标识别装置，其特征在于，所述装置包括：
获取模块，用于获取待识别目标的声音信号；
第一处理模块，用于通过DEMON算法对所述声音信号进行处理，得到所述声音信号的第一频谱数据；
第二处理模块，用于通过LOFAR算法对所述声音信号进行处理，得到所述声音信号的第二频谱数据；
识别模块，用于将所述第一频谱数据和所述第二频谱数据输入目标识别模型，得到所述待识别目标的识别结果。
10.一种计算机设备，其特征在于，包括：收发器，处理器，以及与所述处理器通信连接的存储器；
所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，以实现如权利要求1至6中任一项所述的船舶目标识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410910086.5A CN118471264A (zh) | 2024-07-09 | 2024-07-09 | 船舶目标识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410910086.5A CN118471264A (zh) | 2024-07-09 | 2024-07-09 | 船舶目标识别方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118471264A true CN118471264A (zh) | 2024-08-09 |
Family
ID=92149926
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410910086.5A Pending CN118471264A (zh) | 2024-07-09 | 2024-07-09 | 船舶目标识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118471264A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015185032A1 (de) * | 2014-06-05 | 2015-12-10 | Atlas Elektronik Gmbh | Verfahren zum klassifizieren eines wasserobjekts, vorrichtung, sonar und wasserfahrzeug oder stationäre plattform |
| CN106093952A (zh) * | 2016-08-15 | 2016-11-09 | 沈阳辽海装备有限责任公司 | 一种光点联合判断目标特性的方法 |
| CN108921014A (zh) * | 2018-05-21 | 2018-11-30 | 西北工业大学 | 一种基于改进噪声包络信号识别的螺旋桨轴频搜索方法 |
| CN111461190A (zh) * | 2020-03-24 | 2020-07-28 | 华南理工大学 | 一种基于深度卷积神经网络的非均衡船舶分类方法 |
| CN117388833A (zh) * | 2023-09-21 | 2024-01-12 | 中国科学院声学研究所东海研究站 | 一种船舶辐射噪声解调谱相位差特征提取方法及系统 |
| CN117668659A (zh) * | 2023-12-06 | 2024-03-08 | 中国船舶集团有限公司第七一五研究所 | 一种多维水声目标物理特征智能提取与分类识别方法 |
-
2024
- 2024-07-09 CN CN202410910086.5A patent/CN118471264A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015185032A1 (de) * | 2014-06-05 | 2015-12-10 | Atlas Elektronik Gmbh | Verfahren zum klassifizieren eines wasserobjekts, vorrichtung, sonar und wasserfahrzeug oder stationäre plattform |
| CN106093952A (zh) * | 2016-08-15 | 2016-11-09 | 沈阳辽海装备有限责任公司 | 一种光点联合判断目标特性的方法 |
| CN108921014A (zh) * | 2018-05-21 | 2018-11-30 | 西北工业大学 | 一种基于改进噪声包络信号识别的螺旋桨轴频搜索方法 |
| CN111461190A (zh) * | 2020-03-24 | 2020-07-28 | 华南理工大学 | 一种基于深度卷积神经网络的非均衡船舶分类方法 |
| CN117388833A (zh) * | 2023-09-21 | 2024-01-12 | 中国科学院声学研究所东海研究站 | 一种船舶辐射噪声解调谱相位差特征提取方法及系统 |
| CN117668659A (zh) * | 2023-12-06 | 2024-03-08 | 中国船舶集团有限公司第七一五研究所 | 一种多维水声目标物理特征智能提取与分类识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| 丰玉霖: "基于特征自动提取的水声目标识别方法研究", 《中国优秀硕士学位论文全文数据库，基础科学辑》, no. 01, 15 January 2024 (2024-01-15), pages 2 - 4 * |
| 双锴: "《自然语言处理》", 31 August 2021, 北京邮电大学出版社, pages: 50 - 53 * |
| 熊紫英;朱锡清;: "基于LOFAR谱和DEMON谱特征的舰船辐射噪声研究", 船舶力学, no. 02, 15 April 2007 (2007-04-15) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Santos-Domínguez et al. | ShipsEar: An underwater vessel noise database | |
| US9869752B1 (en) | System and method for autonomous joint detection-classification and tracking of acoustic signals of interest | |
| US8144546B2 (en) | Method and apparatus for detection and classification of a swimming object | |
| CN113077813B (zh) | 一种基于全息谱和深度学习的舰船噪声识别方法 | |
| CN110231778B (zh) | 一种通用的uuv水下目标探测仿真方法及系统 | |
| Williams et al. | A fast physics-based, environmentally adaptive underwater object detection algorithm | |
| 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 | |
| Alaie et al. | Passive sonar target detection using statistical classifier and adaptive threshold | |
| Park et al. | Deep convolutional neural network architectures for tonal frequency identification in a lofargram | |
| GB2607290A (en) | Apparatus and method of classification | |
| CN115114949A (zh) | 一种基于水声信号的舰船目标智能识别方法及系统 | |
| De Magistris et al. | Automatic object classification for low-frequency active sonar using convolutional neural networks | |
| Dreo et al. | Detection and localization of multiple ships using acoustic vector sensors on buoyancy gliders: Practical design considerations and experimental verifications | |
| CN116405127B (zh) | 水声通信前导信号检测模型的压缩方法和装置 | |
| Hummel et al. | A survey on machine learning in ship radiated noise | |
| CN118471264A (zh) | 船舶目标识别方法及装置 | |
| Wang et al. | Underwater acoustic target recognition combining multi-scale features and attention mechanism | |
| Aslam et al. | Underwater sound classification using learning based methods: A review | |
| Oliveira et al. | Probabilistic positioning of a mooring cable in sonar images for in-situ calibration of marine sensors | |
| CN116403100A (zh) | 一种基于矩阵分解的声呐图像小目标检测方法 | |
| Vahidpour et al. | An automated approach to passive sonar classification using binary image features | |
| GB2607318A (en) | Method and apparatus for control | |
| Listewnik et al. | Influence of surface object movement parameters on the hydroacoustic RGB classification method | |
| Trevorrow | Evidence for non-Rayleigh characteristics in ship underwater acoustic signatures | |
| US20240282331A1 (en) | Method and apparatus to classifying craft |
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 |