摘要
随着近年来人类水下活动的增多，溺水、沉船、飞机坠海等事故也随之频繁发生。由于电磁波在水中的衰减十分迅速，导致光学相机、激光雷达等设备在水下的探测距离极短。而声波在水中的衰减较为缓慢，因此，声呐设备被广泛用于搜索救援任务和其他水下活动中。 水下搜救任务往往十分紧急，搜索速度决定了遇险者生还的可能性大小，前视声呐具有体积小、可以实时成像的优点，所以非常适合水下搜救的任务。但是前视声呐图像中存在的各种复杂噪声与干扰，使得没有经过培训的非专业人员几乎不能理解声呐图像中包含的信息，此外，即使是经过专业训练的声呐操作员，也很难从复杂的噪声中准确地辨别出各种物体，导致误判和漏检的情况时常发生，因此为前视声呐设计可靠的辅助算法是十分必要的。 本文针对实际水下救援任务中遇到的搜救效率低下、操作人员门槛高等困境，基于深度学习方法从前视声呐的数据集制作、目标检测、图像去噪几个方面展开研究与实验，主要工作包括： (1) 制作了一个前视声呐数据集，用于目标检测和图像去噪的实验与研究。首先实现了前视声呐数据的解析与成像。然后，使用水下遥控机器人搭载前视声呐进行了数据采集并完成了数据标注工作，实验对象包含溺水者、沉船、失事飞机三种类别。 (2) 提出了一种端到端的单阶段目标检测网络 STAFNet，用于提高水下搜索的效率以及降低误检率与漏检率。该网络由 Swin Transformer、特征金字塔网络、轻量级检测器组成，实现了对画面中的物体位置与类别信息的实时检测。最终在对比实验中取得了最高的精度，超越了其他主流的目标检测网络。 (3) 提出了一种端到端的前视声呐去噪算法 PBR，用于辅助声呐图像判读以及降低声呐操作人员的门槛。该算法基于 Pix2Pix 算法，通过生成对抗的方式对预先设计好的去噪风格进行学习，实现了端到端的前视声呐图像实时去噪。最终在对比实验中取得了最佳去噪结果。
NETL