基于深度学习的声呐图像目标识别

发布时间：2021-02-18 17:02

　　声呐是用声波探测海洋的主要设备,自诞生以来,一直作为水下信息探测、定位和通信的主要工具。获取的声呐数据以图像的形式将目标信息显示出来,由于受海洋信道的影响和接收基阵的限制,声呐图像的处理缺乏完全可靠的模型方法。深度学习在近年来广泛应用于图像识别和目标识别领域,本文基于声呐图像的主要特征表现,提出一种基于卷积神经网络的声呐图像目标识别方法。使用中值滤波对声呐图像进行滤波处理,随后选用Canny边缘检测算法和霍夫变换进行白线检测,基于自适应阈值化图像分割算法分割出的目标,选用卡尔曼滤波器方法实现目标跟踪。最后对于跟踪的目标选用卷积神经网络进行分类识别,对不同的声呐图像目标获得了较高的识别准确率。 

【文章来源】：舰船科学技术. 2020,42(23)北大核心

【文章页数】：4 页

【部分图文】：

Canny边缘检测效果示意图Fig.1SchematicdiagramofCannyedgedetectioneffect有通过它的直线来得到一条正弦

层的层数，采用“扩张-深度卷积-压缩”的思想，首先经过卷积核对输入数据进行特征维数放大，然后经过深度卷积进行特征提取，最后经过的点卷积将放大的特征维数压缩回去，解决了特征提取受限于输入通道数的问题。LinearBottleneck模块将全连接层之后的激活函数由ReLU替换为线性激活函数，而其他层的激活函数依然是ReLU函数，通过将非线性激活变换为线性激活来捕获兴趣流形，解决低维激活空间的信息损失问题。2个模块结合构成了MobileNet_V2网络的基本架构，如图3所示。图3MobileNet_V2网络微结构Fig.3MobileNet_V2networkmicrostructure5基于卷积神经网络的声呐图像目标识别方法本文基于声呐图像的主要特征表现及深度学习算法，对声呐图像目标识别提出如下处理方法：1）对声呐图像使用中值滤波去除多余噪声，进行Canny边缘检测算法识别白线提取边缘，然后使用霍夫变换提取直线，通过直线交点求解扇形所在圆心；2）针对预处理后的声呐图像，使用自适应阈值化算法进行图像分割，同时利用分水岭算法连接灰度相近的目标，查找分割图像中的连通区域，获得目标信息；3）根据提取得到的目标信息，通过匹配算法与卡尔曼滤波器得到的上一帧预测结果进行匹配，根据匹配得到的测量值更新卡尔曼滤波器来实现跟踪目标；4）将跟踪得到的目标图像数据输入卷积神经网络，自动提取特征进行声呐图像目标识别。将跟踪结果中的目标图片提取出来作为数据集，并采用随机反转、旋转、亮度变化等方法来扩充数据集，以防止由于数据量太小带来的过拟合。训练环境是在Ubuntu系统中，基于Python3.7.2的PyTorch1.2，配置GPU所使用的环境是CUDA10.0和Cudnn7.6.2。采用

【参考文献】：
期刊论文
[1]一种基于自适应阈值的图像分割算法[J]. 王茜,彭中,刘莉.  北京理工大学学报. 2003(04)



本文编号：3039837