摘要
近年来，随着自主式水下机器人(AutonomousUnderwaterVehicle,AUV)技术的迅猛发展，搭载侧扫声呐等多种传感器的AUV系统成为当前海洋探测的重要方式，其获取高维空间水下探测数据，在资源勘测、海底地形地貌分类等方面发挥关键作用。 然而在水下声呐成像系统中，针对声呐图像存在分辨率低、混响噪声严重等问题，使得目标识别的准确性面临严峻考验，如何利用声呐图像实现高效、准确的海底目标识别成为海洋工程研究的重要内容之一。针对上述实际问题，本文提出一种基于AUV系统声呐探测技术的目标识别整体性解决方案，通过声呐数据获取与数据分析，构建用于声呐图像识别全过程的深度学习网络框架，并开展了以下工作： （1）依托AUV系统获取声呐探测数据，采用声呐图像校正与滤波方法进行声呐数据分析，提高声呐数据的可识别性。本文首先介绍基于AUV系统的侧扫声呐探测成像原理，针对探测过程获取的声呐图像实际特点，研究声呐数据强度校正、几何校正等方法，解决声呐图像灰度分布不均、比例失真等问题。为进一步有效去除噪声，提出一种基于自适应中值滤波改进的二维经典模态分解滤波算法，扩大声呐图像背景与目标特征之间的差异性。 （2）研究声呐图像识别网络关键技术，对比评估一系列声呐图像识别算法。针对复杂海洋环境下声呐图像识别准确性问题，对池化方法、激活函数、特征融合方式等声呐图像识别关键技术进行研究，分析用于声呐图像识别的典型算法，并通过实验对比等方法综合评估挑选出最适合声呐图像特点的高识别率模型，为进一步构建声呐图像识别网络提供理论依据与方法选择。 （3）针对声呐图像分辨率低、目标边缘模糊等问题，构建能更好保留特征细节的声呐图像识别网络。本文以深度残差网络ResNet为主干精炼提取目标特征，引入自适应的细节保留池化增加特征采样灵活性，捕捉更抽象的特征信息；进一步从特征融合角度，嵌入自注意力机制加权融合多尺度特征，强化重要位置信息作用，获得更为精准的声呐目标特征表达，提高整体网络识别的准确性与鲁棒性。 本文针对声呐图像识别全过程构建了基于细节保留特征融合的深度学习网络框架，提升了声呐图像的识别精度，也将进一步提高AUV后续路径规划等探测任务的效率与质量。
NETL