JP2012122727A - 底質判別装置、超音波探知機、パラメータ設定方法及びパラメータ設定プログラム - Google Patents

Abstract

【課題】ニューラルネットワークを用いて、正解率の高い底質判別結果を得ることができる底質判別装置、超音波探知機、パラメータ設定方法及びパラメータ設定プログラムを提供する。
【解決手段】水中に出力された超音波に係るエコー信号を入力し、ニューラルネットワークを用いて底質判別処理部１７２で海底の底質判別を行う超音波探知機において、結合荷重記憶部１７４に、ニューラルネットワークで用いる結合荷重を、位置情報に対応付けて複数記憶する。結合荷重設定部１７３は、位置情報を受け付け、受け付けた位置情報に対応する結合荷重を、結合荷重記憶部１７４から取得し、取得した結合荷重を、底質判別処理部１７２のニューラルネットワークに設定する。
【選択図】図２

Description

本発明は、水中に出力された超音波に係るエコー信号に基づいて海底の底質を判別する底質判別装置、超音波探知機、パラメータ設定方法及びパラメータ設定プログラムに関する。

従来、船舶に用いられる魚群探知機では、海底の底質（岩、石、砂等）を判別し、表示を行うものが知られている（例えば特許文献１を参照）。底質判定は、超音波の送信パルスの海底エコーを解析することによって行われる。例えば、海底が岩や石等のように硬く起伏の大きい場所では、海底エコーの時間幅は長く、砂や泥等のように柔らかく平坦な場所では、海底エコーの時間幅は短くなる。画面上では、各底質との類似度や、各底質の中で最も類似する底質を表示することが行われている。この特許文献１では、底質種別の類似度の算出にニューラルネットワークを用いており、より正確な底質判別が可能となっている。

特開２００８−２７５３５１号公報

同じ底質でも海域毎にエコーは異なるため、ニューラルネットワークは、海域毎に処理の都度、学習して変更することが望まれる。このニューラルネットワークでは、出力値の正解に応じて、結合荷重（重み付け係数）が更新（学習）されることで、出力値の正解率を向上させていくものである。

しかしながら、底質判別の場合、判別結果が正解であるか否かの把握は困難である。このため、特許文献１の場合、ニューラルネットワークにおける結合荷重を理想的な状態にすることができず、底質判別結果の正解率のさらなる向上を望むことは難しい。

そこで、本発明の目的は、ニューラルネットワークを用いて、正解率の高い底質判別結果を得ることができる底質判別装置、超音波探知機、パラメータ設定方法及びパラメータ設定プログラムを提供することにある。

本発明は、水中に出力された超音波に係るエコー信号を入力し、ニューラルネットワークを用いて海底の底質判別を行う底質判別装置において、前記ニューラルネットワークで用いるパラメータを、位置情報に対応付けて複数記憶する記憶手段と、位置情報を受け付ける受付手段と、該受付手段が受け付けた位置情報に対応するパラメータを、前記記憶手段から取得する取得手段と、該取得手段が取得したパラメータを、前記ニューラルネットワークに設定する設定手段とを備えることを特徴とする。

一般に、ニューラルネットワークは、出力結果の正解に応じて、より正解に近い結果を出力できるようにパラメータを学習（更新）していくアルゴリズムである。しかしながら、海底の底質は、位置によって様々であるため、ニューラルネットワークを底質判別に用いた場合、オペレータ（船員等）が底質判別の結果が正解であるか否かを判定することは困難である。このため、ニューラルネットワークに設定されるパラメータを、底質判別の結果から学習させることはできない。

そこで、本発明の構成では、位置情報と、その位置に適したパラメータとを予め記憶しておき、受け付けた位置情報に対応するパラメータを取得して、底質判別に用いるニューラルネットワークに対して設定する。これにより、ニューラルネットワークの出力に関係なく、受け付けた位置に応じた最適なパラメータをニューラルネットワークに設定することができ、そのニューラルネットワークにより正解率の高い底質判別結果を得ることができる。

本発明に係る底質判別装置において、前記パラメータは、予め海域毎にニューラルネットワークを用いた学習がなされて求められたものである。

この構成では、海域毎に底質種別が異なるため、海域毎に学習がなされたパラメータを海域に対応付けて記憶している。これにより、海域に応じた理想的なパラメータをニューラルネットワークに設定でき、正解率の高い底質判別を行える。

本発明に係る底質判別装置において、前記記憶手段は、汎用パラメータを記憶する。前記取得手段は、前記受付手段が受け付けた位置情報に対応するパラメータが前記記憶手段にない場合、前記汎用パラメータを取得する。

この構成では、位置情報に対応するパラメータが記憶されていない場合には、汎用パラメータを取得し、ニューラルネットワークに設定する。これにより、どの位置であっても、底質判別結果の正解率をある程度高くすることができる。

本発明に係る底質判別装置において、前記取得手段は、前記受付手段が受け付けた位置情報に対応するパラメータが前記記憶手段にない場合、前記位置情報に最も近い位置情報に対応するパラメータを取得する。

この構成では、受け付けた位置情報に係るパラメータが記憶されていない場合には、受け付けた位置情報に最も近い位置情報に係るパラメータを取得し、設定する。近い位置の海底底質は似ている可能性が高いため、底質判別結果の正解率を少しでも高くすることができる。

本発明に係る底質判別装置において、前記パラメータは、予め海域に応じてニューラルネットワークを用いた学習がなされて求められたものである。

この構成では、専門家等が学習させたパラメータを用いるため、正解率の高い底質判別結果を得ることができる。

本発明に係る底質判別装置において、前記受付手段は、位置情報としてＧＰＳ信号を受信する。

この構成では、位置情報を取得する方法として、ＧＰＳ信号を用いる具体例を示す。

本発明に係る底質判別装置において、前記受付手段は、ユーザが入力した位置情報を受け付ける。

この構成では、位置情報を取得する方法として、ユーザが入力する具体例を示す。

本発明によれば、底質判別にニューラルネットワークを用いた場合に、位置に応じた最適なパラメータをニューラルネットワークに設定することで、そのニューラルネットワークにより正解率の高い底質判別結果を得ることができる。

実施形態に係る超音波探知機の構成を示すブロック図である。 信号処理部の構成を示すブロック図である。 受信信号の時間軸波形を示す模式図である。 底質判別におけるニューラルネットワークを説明するための模式図である。 位置情報と結合荷重とを対応付けて記憶したデータテーブルを示す模式図である。 超音波探知機の信号処理部で実行される処理手順を示すフローチャートである。

以下、本発明に係る底質判別装置、超音波探知機、結合荷重設定方法及びパラメータ設定プログラムの好適な実施の形態について図面を参照して説明する。以下に説明する実施形態では、船舶に搭載されており、船舶が位置する海底の底質（岩、砂、泥、石など）を判別する本発明に係る底質判別装置を備えた超音波探知機について説明する。超音波探知機は、例えば、魚群探知機やスキャニングソナーなどがある。

図１は、本実施形態に係る超音波探知機の構成を示すブロック図である。超音波探知機は、操作部（受付手段）１０、送受波器１１、送受切替部１２、送信回路１３、制御部１４、受信回路１５、Ａ／Ｄ変換器１６、信号処理部１７、表示部１８及びセンサ部１９を備えている。

制御部１４は、記憶部２０に記憶されているプログラム２０Ａを読み出して実行することで、超音波探知機を統括的に制御するものである。制御部１４は、操作部１０からの各種操作（探知レンジの設定や位置情報の入力）に応じて、送信回路１３の送信周期、探知レンジ等を設定するものである。また、制御部１４は、対応するＡ／Ｄ変換器１６のサンプリング周期設定、信号処理部１７への各種処理の実行指示を行うものである。

表示部１８は、画面上の縦軸を深度方向とし、横軸を時間方向としたエコーデータの表示を行うものである。なお、超音波探知機は、表示部１８を備えず、船舶に既存のディスプレイを用いてもよい。

センサ部１９は、船速情報、ロール角、ピッチ角等の船体の状態を示す各種情報を制御部１４へ入力する。

送信回路１３は、トラップ回路を内蔵した送受切替部１２を介して送受波器１１にパルス状の信号を入力する。信号の入力タイミングやレベル、パルス幅等は、制御部１４からの制御信号を受信することにより制御される。

送受波器１１は、船底等に取り付けられる振動子であり、送信回路１３から入力されるパルス状の信号に応じて水中に超音波を出力する。送受波器１１は、自身が出力した超音波が魚群や海底等の物標に反射したエコー信号として受信する。送受波器１１は、受信したエコー信号の強度に応じた受信信号を、送受切替部１２を介して受信回路１５に出力する。

受信回路１５は、入力された受信信号を増幅してＡ／Ｄ変換器１６に出力する。

Ａ／Ｄ変換器１６は、受信信号を所定のサンプリング周期でデジタル信号に変換し、信号処理部１７に出力する。

信号処理部１７は、デジタル化された受信信号をメモリ（不図示）に順次記録する。信号処理部１７は、記録した受信信号に基づいて、海底検出処理及び底質判別処理を行う。海底検出処理の結果及び底質判別の結果を示す情報は、表示部１８に画面表示される。

以下、信号処理部１７の処理について詳細に説明する。

図２は、信号処理部１７の構成を示すブロック図である。信号処理部１７は、海底検出部１７０、特徴量データ抽出部１７１、底質判別処理部１７２、結合荷重設定部（取得手段、設定手段）１７３、結合荷重記憶部１７４及び表示処理部１７５を備えている。

信号処理部１７には、Ａ／Ｄ変換器１６から受信信号が入力される。信号処理部１７は、１回の測定分（１ｐｉｎｇ分）の受信信号をメモリ（不図示）に記録し、信号処理部１７の上述の各部が、以下に示す処理を１ｐｉｎｇ分の受信信号を記録する度に行う。

海底検出部１７０は、Ａ／Ｄ変換器１６から入力された受信信号から海底深度を検出する。海底検出部１７０は、検出した海底深度を制御部１４へ出力する。制御部１４は、海底深度に基づいて、海底深度に比例する送信パルス幅を算出し、このパルス幅の超音波が送受波器１１から出力されるよう、制御信号を送信回路１３に出力する。

海底深度の検出手法は、閾値レベル以上のエコーを受信したタイミングを基準とする手法や、微分値が最も高くなるタイミングを基準とする手法、あるいは、出力した超音波のパルス幅に等しい（又は近い）波形をリファレンス信号として、受信信号との相関を求め、相関値が最も高くなるタイミングを基準とする手法等、種々の手法を用いることができる。

特徴量データ抽出部１７１は、海底検出部１７０が海底を検出した場合に、受信信号から特徴量データを抽出する。特徴量データは、時間軸波形とした受信信号の積分値である。特徴量データ抽出部１７１は、受信信号を複数の区分に分割し、区分毎に特徴量データを抽出する。なお、特徴量データ抽出部１７１は、受信信号そのものを複数の区分に分割するようにしてもよい。

ここで、特徴量データ抽出部１７１による特徴量データの抽出について説明する。

図３は、受信信号の時間軸波形を示す模式図である。図３では、横軸を時間、縦軸を受信信号の信号レベルとしたグラフを示している。横軸の時間は、送受波器１１から超音波を出力してからエコーを受信するまでの時間であり、換言すれば、深度でもある。

特徴量データ抽出部１７１は、受信信号が海底のエコーに係るものであると判定する閾値レベルを超えている受信信号を複数の時間区分（Ｔ_１，Ｔ _２，．．．，Ｔ _ｎ）に分割し、区分毎に特徴量データＬ_１，Ｌ _２，．．．，Ｌ _ｎを抽出する。区分の数は、固定にし、海底深度（時間）に応じて各区分の時間長を可変とするようにしてもよいし、各区分の時間長を固定にし、海底深度に応じて区分の数を可変とするようにしてもよい。

なお、海底が岩や石等のように硬く起伏の大きい場所では、反射率が高いため、図３に示すように、海底エコーの最初のピーク（１次エコー）に対して２度目のピーク（海底に反射した音波がさらに反射して受信される２次エコー）のレベルが高くなる傾向がある。特徴量データ抽出部１７１は、１次エコーのみの特徴量データを抽出してもよいし、２次エコーを含めて特徴量データを抽出してもよい。１次エコーと２次エコーとの振幅比は海底面の反射率の指標となるので、特徴量データ抽出部１７１が２次元エコーを含めた特徴量データを抽出した場合、後段の底質判別処理部１７２での底質判別の正解度が向上する。

底質判別処理部１７２は、特徴量データ抽出部１７１が抽出した複数の特徴量データＬ_１〜Ｌ _ｎを入力として、リファレンスデータ（テンプレートデータ）とのマッチング（パターン認識）を行って類似度を算出し、底質情報を生成する。リファレンスデータは、泥、岩、砂、石等の底質毎のエコーの時間軸波形を有したデータであり、図示しないメモリに予め記憶されている。

底質判別処理部１７２は、リファレンスデータとの類似度の算出に、ニューラルネットワークを用いている。図４は、底質判別におけるニューラルネットワークを説明するための模式図である。図４は、底質種別を泥、岩、砂、石とした場合の一例を示している。

本実施形態に係るニューラルネットワークは、入力層Ｎ、中間層Ｍ及び出力層Ｏを備えた階層型ニューラルネットワークである。

入力層Ｎは、ニューロン素子Ｎ_１，Ｎ _２，．．．，Ｎ _ｎを有している。ニューロン素子Ｎ_１〜Ｎ _ｎそれぞれには、特徴量データ抽出部１７１が抽出した特徴量データＬ_１〜Ｌ _ｎが入力される。入力層Ｎのニューロン素子の数は、特徴量データ抽出部１７１が抽出した特徴量データの数に応じて可変となる。

ニューロン素子Ｎ _１〜Ｎ_ｎは、入力された特徴量データＬ _１〜Ｌ_ｎが、閾値を超えた場合に出力値を中間層Ｍへ出力する。この閾値は、底質判別の精度やエコーを海底からのエコーと判断するレベルなどに応じて適宜変更される。ニューロン素子Ｎ_１〜Ｎ _ｎは、入力値を出力値としてもよいし、閾値を超えた場合に「１」を出力値とし、閾値を超えない場合に「０」を出力値としてもよい。以下では、ニューロン素子Ｎ_１〜Ｎ _ｎは、入力値を出力値として出力するものとして説明する。

中間層Ｍは、記憶されているリファレンスデータの数に相当する数のニューロン素子を有している。各ニューロン素子には、入力層Ｎのニューロン素子Ｎ_１〜Ｎ _ｎの出力値である特徴量データＬ_１〜Ｌ _ｎが入力される。そして、各ニューロン素子は、入力された特徴量データを重み付け加算し、所定の入出力関数に従った出力値を出力することで、リファレンスデータとのマッチングを行い、マッチング結果（類似度）を出力する。

本実施形態では、中間層Ｍは、ニューロン素子Ｍ_１１，Ｍ _１２，．．Ｍ _１ｉ，Ｍ_２１，Ｍ _２２，．．Ｍ _２ｊ，Ｍ_ｎ１，Ｍ _ｎ２，．．Ｍ _ｎｍを有しているものとする。ニューロン素子Ｍ_ｎｍにおいて、ｎは、底質種別に対応し、ｍは、底質種別のリファレンスデータの数に対応している。

例えば、泥のリファレンスデータがメモリに３つ記憶されている場合、その泥のリファレンスデータに対応するニューロン素子は、ニューロン素子Ｍ_１１，Ｍ _１２，Ｍ _１３となる。岩のリファレンスデータがメモリに２つ記憶されている場合、その岩のリファレンスデータに対応するニューロン素子は、ニューロン素子Ｍ_２１，Ｍ _２２となる。

また、砂のリファレンスデータがメモリに３つ記憶されている場合、その砂のリファレンスデータに対応するニューロン素子は、ニューロン素子Ｍ_３１，Ｍ _３２，Ｍ _３３となる。石のリファレンスデータがメモリに２つ記憶されている場合、その石のリファレンスデータに対応するニューロン素子は、ニューロン素子Ｍ_４１，Ｍ _４２となる。

中間層Ｍが有する各ニューロン素子には、ニューロン素子Ｎ_１〜Ｎ _ｎの出力値が入力される（例えば、図４の太線参照）。そして、中間層Ｍが有する各ニューロン素子は、特徴量データＬ_１〜Ｌ _ｎに結合荷重Ｐ _１〜Ｐ_ｎそれぞれを乗じ、所定の入出力関数に従った出力値を出力する。

入出力関数に従った出力値は、例えば、特徴量データＬ_１〜Ｌ _ｎに結合荷重Ｐ _１〜Ｐ_ｎそれぞれを乗じた結果が閾値以上であれば「１」、閾値未満であれば「０」としてもよい。また、入出力関数に従った出力値は、特徴量データＬ_１〜Ｌ _ｎに結合荷重Ｐ _１〜Ｐ_ｎそれぞれを乗じた結果に応じたシグモイド関数であってもよい。

結合荷重Ｐ _１〜Ｐ_ｎは、中間層Ｍの各ニューロン素子の特性であり、リファレンスデータに応じて予め決められている。ここで、結合荷重Ｐ_１〜Ｐ _ｎの決定方法について説明する。

海底底質が泥や砂の場合、送受波器１１から出力された超音波のエコーのパルス幅は短い。また、海底底質が岩や石の場合、送受波器１１から出力された超音波のエコーのパルス幅は長い。このため、底質種別毎にリファレンスデータの時間軸波形は異なる。そこで、中間層Ｍのニューロン素子が用いるリファレンスデータの時間軸波形に応じて、特徴量データ抽出部１７１が分割した区分（Ｔ_１，Ｔ _２，．．．，Ｔ _n）のどの区分の特徴量データが、リファレンスデータと対比において重視されるかによって、結合荷重が決定される。

例えば、図３の区分（Ｔ _１，Ｔ_２）のように時間的に最初の方の信号レベルが高く、その後の信号レベルが低くなっている時間軸波形のリファレンスデータを、ニューロン素子Ｍ１１が用いるものとして説明する。この場合、ニューロン素子Ｍ_１１に対する結合荷重Ｐ _１〜Ｐ_ｎは、結合荷重Ｐ _１，Ｐ_２が結合荷重Ｐ _３〜Ｐ_ｎよりも大きくなるよう設定される。

これにより、ニューロン素子Ｍ１１におけるリファレンスデータとの対比に略関係のない時間の特徴量データＬ_３〜Ｌ _ｎがニューロン素子Ｍ _１１に入力されても、特徴量データＬ_１，Ｌ _２に比べて小さいため、ニューロン素子Ｍ１１は、リファレンスデータとの対比時に特徴量データＬ_３〜Ｌ _ｎを略無視することができる。その結果、ニューロン素子Ｍ_１１は、より正確、かつ、高速に、入力された特徴量データとリファレンスデータとの類似度を算出することが可能となる。

出力層Ｏは、ニューロン素子Ｏ_１，Ｏ _２，Ｏ _３，Ｏ_４を有している。ニューロン素子Ｏ _１，Ｏ_２，Ｏ _３，Ｏ _４には、中間層Ｍのニューロン素子Ｍ_１１，Ｍ _１２，．．Ｍ _１ｉ，Ｍ_２１，Ｍ _２２，．．Ｍ _２ｊ，Ｍ_ｎ１，Ｍ _ｎ２，．．Ｍ _ｎｍの出力値が入力される。そして、ニューロン素子Ｏ_１，Ｏ _２，Ｏ _３，Ｏ_４は、入力値に結合荷重Ｗ _１１，Ｗ_１２，．．Ｗ _１ｉ，Ｗ _２１，Ｗ_２２，．．Ｗ _２ｊ，Ｗ _ｎ１，Ｗ_ｎ２，．．Ｗ _ｎｍそれぞれを乗じ、所定の入出力関数に従った出力値を出力する。

なお、結合荷重（パラメータ）Ｗの添え字は、ニューロン素子Ｍの添え字と対応している。また、結合荷重Ｗは、後述の結合荷重設定部１７３によりに設定される。

ニューロン素子Ｏ _１，Ｏ_２，Ｏ _３，Ｏ _４は、結合荷重Ｗを用いて入力値に重み付け加算し、所定の入出力関数に従った出力値を出力する。例えば、ニューロン素子Ｏ_１，Ｏ _２，Ｏ _３，Ｏ_４は、重み付け加算した結果が閾値を超えている場合に、出力値を出力する。ニューロン素子Ｏ_１，Ｏ _２，Ｏ _３，Ｏ_４の出力値は、中間層Ｍ等と同様に、「０」、「１」であってもよいし、ニューロン素子Ｏ_１，Ｏ _２，Ｏ _３，Ｏ_４の入力値に重み付け加算した結果であってもよい。

ニューロン素子Ｏ _１は、泥に関する出力値Ｕ_１を出力する。ニューロン素子Ｏ _２は、岩に関する出力値Ｕ_２を出力する。ニューロン素子Ｏ _３は、砂に関する出力値Ｕ_３を出力する。ニューロン素子Ｏ _４は、石に関する出力値Ｕ_４を出力する。

例えば、底質判別処理部１７２は、出力値Ｕ_１のみが出力される場合には、海底底質は泥であるとする底質情報を生成する。また、底質判別処理部１７２は、出力値Ｕ_１，Ｕ _２が出力される場合には、海底底質は泥及び岩が５０％ずつ含まれているとする底質情報を生成する。

また、出力層Ｏが入力値に重み付け加算した結果をそのまま出力した場合、底質判別処理部１７２は、出力層Ｏの各ニューロン素子の出力値の割合から、底質情報を生成してもよい。この場合、例えば、底質判別処理部１７２は、海底底質は７０％が泥、２０％が岩、１０％が石であるとする底質情報を生成する。

図２に戻り、結合荷重記憶部１７４は、ニューラルネットワークにおける中間層Ｍ及び出力層Ｏの間の結合荷重Ｗと、位置情報とを対応付けて記憶する。図５は、位置情報と結合荷重Ｗとを対応付けて記憶したデータテーブルを示す模式図である。図５に示すデータテーブルは、位置情報として、海上の緯度及び経度情報が記憶してある。

なお、図５では省略しているが、結合荷重記憶部１７４に記憶されている結合荷重Ａ，Ｂ，．．それぞれは、結合荷重Ｗ_１１，Ｗ _１２，．．Ｗ _１ｉ，Ｗ_２１，Ｗ _２２，．．Ｗ _２ｊ，Ｗ_ｎ１，Ｗ _ｎ２，．．Ｗ _ｎｍそれぞれの値を含んでいる。さらに、結合荷重Ａ，Ｂ，．．それぞれは、ニューロン素子Ｏ_１，Ｏ _２，Ｏ _３，Ｏ_４それぞれに対する結合荷重を含んでいる。また、図５における位置情報は、緯度及び経度でなく、海洋名、例えば、瀬戸内海又は太平洋などとしてもよい。

ニューラルネットワークは、出力値（底質判別結果）の正解に応じて、結合荷重Ｗが都度学習されるものである。しかし、海底底質は、海域毎に異なり、また、海底を伝搬する超音波は、海水の水質（水温や海水濃度など）などに応じて異なった伝搬態様となる。このため、オペレータ（船員）は、底質判別結果が正解であるか否かが判断できず、結合荷重Ｗを学習させることができない。そこで、結合荷重記憶部１７４に記憶される結合荷重は、専門家や超音波探知機の販売メーカ等により、予め各海域でニューラルネットワークを用いた底質判別が行われて、学習された理想的なものである。

例えば、船舶が経度３８度、緯度１４８度に位置している場合、ニューラルネットワークにより行われた底質判別の結果の正解が、専門家等により判断される。そして、専門家等は、底質判別の結果が正解に近づくように、ニューラルネットワークのパラメータ（結合荷重）を学習させ、決定する。この結合荷重が、経度３８度、緯度１４８度に対応付けて、結合荷重記憶部１７４に記憶されている。

結合荷重設定部１７３は、制御部１４から入力された位置情報に対応する結合荷重を、結合荷重記憶部１７４から取得し、取得した結合荷重を底質判別処理部１７２のニューロンネットワークに対して設定する。例えば、図５において、船舶が経度３８度、緯度１４８度に位置している場合、結合荷重設定部１７３は、その位置情報に対応する結合荷重Ａ、Ｃ，Ｅ，Ｇを底質判別処理部１７２のニューラルネットワークに設定する。

結合荷重設定部１７３は、入力された位置情報に対応する結合荷重が結合荷重記憶部１７４にない場合には、入力された位置情報に最も近い位置情報に対応する結合荷重を取得する。位置が近い場合、海底底質が似る可能性が高いため、結合荷重設定部１７３は、入力された位置情報に最も近い位置情報に対応する結合荷重を取得することで、より理想的に近い結合荷重をニューラルネットワークに設定することができる。

なお、結合荷重設定部１７３が取得する位置情報は、操作部１０からオペレータによって入力されてもよいし、ＧＰＳ（Global Positioning System）信号を受信して、ＧＰＳ航法により求められてもよい。

このように、本実施形態に係る超音波探知機は、船舶の位置によって、理想的な結合荷重Ｗが、底質判別処理部１７２のニューラルネットワークに設定される。これにより、ニューラルネットワークからは、正解に近い出力値が出力されることになり、超音波探知機は、正解率の高い底質情報を生成することができる。

以下に、本実施形態に係る超音波探知機において実行される動作について説明する。

図６は、超音波探知機の信号処理部１７で実行される処理手順を示すフローチャートである。信号処理部１７は、受信信号が入力されたか否かを判定する（Ｓ１）。受信信号が入力されていない場合（Ｓ１：ＮＯ）、信号処理部１７は本処理を終了する。受信信号が入力された場合（Ｓ１：ＹＥＳ）、信号処理部１７は、受信信号から海底を検出したか否かを判定する（Ｓ２）。

海底を検出していない場合（Ｓ２：ＮＯ）、受信信号は、例えばノイズであるとして、信号処理部１７は本処理を終了する。海底を検出した場合（Ｓ２：ＹＥＳ）、信号処理部１７の海底検出部１７０は、海底深度を検出する（Ｓ３）。

結合荷重設定部１７３は、制御部１４から位置情報を取得する（Ｓ４）。位置情報は、オペレータによる手動入力であってもよいし、ＧＰＳ信号を用いた自動入力であってもよい。

結合荷重設定部１７３は、取得した位置情報に対応する結合荷重が結合荷重記憶部１７４に記憶されているか否かを判定する（Ｓ５）。対応する結合荷重が結合荷重記憶部１７４に記憶されている場合（Ｓ５：ＹＥＳ）、結合荷重設定部１７３は、対応する結合荷重を取得する（Ｓ６）。対応する結合荷重が結合荷重記憶部１７４に記憶されていない場合（Ｓ５：ＮＯ）、換言すれば、結合荷重記憶部１７４に取得した位置情報が記憶されていない場合、結合荷重設定部１７３は、取得した位置情報に近い位置情報に対応する結合荷重を取得する（Ｓ７）。

結合荷重設定部１７３は、取得した結合荷重を底質判別処理部１７２のニューラルネットワークに設定する（Ｓ８）。底質判別処理部１７２は、結合荷重設定部１７３から設定された結合荷重を用いて、図３で説明したニューラルネットワークを用いた底質判別処理を行う（Ｓ９）。底質判別処理部１７２は、底質判別処理を表示処理部１７５へ出力して、底質判別の結果を表示部１８に表示する（Ｓ１０）。これにより、本処理は終了する。

以上説明したように、本実施形態では、底質判別にニューラルネットワークを用いており、船舶の位置に応じて予め決められた結合荷重を、そのニューラルネットワークに設定している。これにより、随時、正確率の高い底質判別を行うことができる。

なお、上述の実施形態で説明した超音波探知機の具体的構成などは、適宜設計変更可能であり、上述に記載された作用及び効果は、本発明から生じる最も好適な作用及び効果を列挙したに過ぎず、本発明による作用及び効果は、上述の実施形態に記載されたものに限定されるものではない。

例えば、ニューラルネットワークに設定する結合荷重は、取得した位置情報、または、取得した位置情報に近い位置情報に対応するものでなくてもよい。例えば、結合荷重記憶部１７４に、汎用パラメータとしての汎用結合荷重を記憶しておく。汎用結合荷重とは、どの海域であってもある程度高い、例えば８０％以上の確率で、正解となる底質判別を行えるパラメータである。

結合荷重設定部１７３は、取得した位置情報が結合荷重記憶部１７４に記憶されていない場合には、結合荷重記憶部１７４から、その汎用結合荷重を取得し、ニューラルネットワークに設定するようにしてもよい。これにより、超音波探知機は、常に、正解率が一定値以上となる底質判別結果を得ることができる。

また、上述の実施形態では、結合荷重Ｗが結合荷重設定部１７３により設定されるようにしているが、超音波探知機は、結合荷重Ｐを学習させるようにしてもよい。例えば、中間層Ｍの入力値の重み付け加算した結果と、リファレンスデータとを対比させ、前記結果がリファレンスデータに近づくように、結合荷重Ｐを学習させるようにしてもよい。この場合、中間層Ｍにおけるリファレンスデータとのマッチング結果を、より精度の高いものとすることができる。

１０−操作部（受付手段）
１７−信号処理部
１８−表示部
１７１−特徴量データ抽出部
１７２−底質判別処理部（ニューラルネットワーク）
１７３−結合荷重設定部（取得手段、設定手段、受付手段）
１７４−結合荷重記憶部（記憶手段）
Ｎ−入力層
Ｍ−中間層
Ｏ−出力層
Ｗ−結合荷重（パラメータ）

Claims (10)

1. 水中に出力された超音波に係るエコー信号を入力し、ニューラルネットワークを用いて海底の底質判別を行う底質判別装置において、
   前記ニューラルネットワークで用いるパラメータを、位置情報に対応付けて複数記憶する記憶手段と、
   位置情報を受け付ける受付手段と、
   該受付手段が受け付けた位置情報に対応するパラメータを、前記記憶手段から取得する取得手段と、
   該取得手段が取得したパラメータを、前記ニューラルネットワークに設定する設定手段と
   を備えることを特徴とする底質判別装置。
2. 請求項１に記載の底質判別装置であって、
   前記パラメータは、
   予め海域毎にニューラルネットワークを用いた学習がなされて求められたものである
   ことを特徴とする底質判別装置。
3. 請求項１又は２に記載の底質判別装置であって、
   前記記憶手段は、
   汎用パラメータを記憶し、
   前記取得手段は、
   前記受付手段が受け付けた位置情報に対応するパラメータが前記記憶手段にない場合、前記汎用パラメータを取得する
   ことを特徴とする底質判別装置。
4. 請求項１乃至３の何れか一つに記載の底質判別装置であって、
   前記取得手段は、
   前記受付手段が受け付けた位置情報に対応するパラメータが前記記憶手段にない場合、前記位置情報に最も近い位置情報に対応するパラメータを取得する
   ことを特徴とする底質判別装置。
5. 請求項１乃至４の何れか一つに記載の底質判別装置であって、
   前記パラメータは、
   予め海域に応じてニューラルネットワークを用いた学習がなされて求められたものである
   ことを特徴とする底質判別装置。
6. 請求項１乃至５の何れか一つに記載の底質判別装置であって、
   前記受付手段は、
   位置情報としてＧＰＳ信号を受信する
   ことを特徴とする底質判別装置。
7. 請求項１乃至６の何れか一つに記載の底質判別装置であって、
   前記受付手段は、
   ユーザが入力した位置情報を受け付ける
   ことを特徴とする底質判別装置。
8. 請求項１乃至７の何れか一つに記載の底質判別装置と、
   該底質判別装置における底質判別の結果を表示する表示部と
   を備えていることを特徴とする超音波探知機。
9. 水中に出力された超音波に係るエコー信号を入力し、ニューラルネットワークを用いて海底の底質判別を行う底質判別装置で実行する前記ニューラルネットワークのパラメータ設定方法において、
   位置情報を受け付け、
   前記ニューラルネットワークで用いるパラメータを、位置情報に対応付けて複数記憶する記憶手段から、受け付けた位置情報に対応するパラメータを取得し、
   取得したパラメータを、前記ニューラルネットワークに設定する
   ことを特徴とするパラメータ設定方法。
10. 水中に出力された超音波に係るエコー信号を入力し、ニューラルネットワークを用いて海底の底質判別を行うコンピュータで実行するパラメータ設定プログラムにおいて、
    コンピュータを、
    前記ニューラルネットワークで用いるパラメータを、位置情報に対応付けて複数記憶する記憶手段から、受け付けた位置情報に対応するパラメータを取得する取得手段、及び、
    該取得手段が取得したパラメータを、前記ニューラルネットワークに設定する設定手段
    として機能させることを特徴とするパラメータ設定プログラム。

Images