基于深度学习的水下目标识别技术

在水下复杂场景下,目标对象具有姿态不同、遮挡和背景复杂等特点,这对卷积网络的特征提取能力提出巨大挑战。Mask R-CNN算法在水下目标特征提取过程中也存在特征提取能力欠佳的问题,导致算法在水下目标检测准确性较差。因此,提出一种基于Mask R-CNN的改进水下目标目标识别方法。首先可采用金字塔切分的通道注意力模块PAS代替采用了ResNet50的3×3卷积模块,该模块可通过对每个通道进行金字塔的切分,针对通道切分完成后所得出来的通道特征图上的空间信息来进行不用的尺度特征层提取;同时通过采用另一种更加安全稳定和高效的ECANEt通道注意力模块代替PAS模块中的SENet通道注意力模,对多维度的通道注意力权重进行特征重标定;最后对特征金字塔FPN的网络结构进行改进,加强不同特征层之间的信息融合。根据不同场景下进行的实验对比,改进后的网络能够提高水下目标识别的准确率,平均检测精度可达91.3%。本文所提出的改进Mask RCNN网络模型,能够适应水下复杂多变的场景,为水下目标的识别提供理论依据与技术方案。

神经网络与水下目标识别研究型教学改革与创新实践

从舰船、潜艇、鱼雷、UUV、蛙人等水下目标识别在海洋国防战略中的重要性出发,以培养研究型、创新型、工程实践型人才为目标,以“为船为海为国防”的思想为引领,立足高校高水平研究生课程建设平台,改革神经网络与水下目标识别课程教学模式。将理论教学、科研研讨、工程实践相结合,开展神经网络与水下目标识别课程研究型教学改革与创新,培养专业知识基础扎实并具有科研素养的创新型人才。

深度学习在水下目标检测与腐蚀评估中的应用进展

随着海洋资源的不断开发和海洋环境的持续变化,水下目标检测和腐蚀评估在海洋工程、海洋资源开发和水下基础设施维护等领域发挥着重要作用。两种技术虽路线不同却有交叉,在一定程度上是相互关联的。综述了近年来深度学习技术在水下目标检测与腐蚀评估中的应用现状,首先介绍了水下目标检测和腐蚀评估的背景,然后分别对深度学习技术在水下目标检测和腐蚀评估方面的应用现状进行了简要分析,最后讨论了目前水下目标检测和腐蚀评估在深度学习的影响下面临的挑战以及未来的研究方向。

基于卷积神经网络的声呐图像水下目标检测综述

声呐探测技术作为水下探测的主要手段之一,在海洋环境中具有广泛的应用,随着卷积神经网络(CNN)在计算机视觉领域表现出卓越的性能,该技术越来越受到研究人员的重视。文章综述了卷积神经网络在声呐图像水下目标检测中的应用与发展,重点讨论基于CNN的典型水下目标检测方法,包括基于候选区域与回归的检测算法在声呐图像上的改进与应用,并分析各类网络模型在处理声呐图像特有问题上的创新策略,如小样本检测、小目标检测及CNN与传统算法融合等。最后总结了当前基于CNN的水下目标检测面临的挑战,并预测该领域技术发展趋势。

基于Kriging代理模型的水下目标模型几何参数识别方法

[目的]水下目标参数识别可为目标分类识别提供依据,为此,提出一种基于Kriging代理模型的水下目标参数识别方法。[方法]首先,对敷设声学覆盖层的水下目标模型在螺旋桨和主辅机激励情况下的结构表面低频振动声辐射与声辐射灵敏度进行分析;然后,基于分析结果建立低频声辐射功率代理模型,并基于该代理模型构造由低频声辐射响应特征和目标参数组成的样本空间;最后,基于所构建的样本空间,建立目标参数识别代理模型并选取测试点进行模型验证。[结果]结果显示,测试样本的实际目标参数值与所构建代理模型的目标参数预测值吻合良好;利用有限元法和边界元方法可以实现考虑阻尼材料频变特性的黏弹性阻尼结构的低频声辐射分析,并能解决商业软件无法大批量处理振动结果文件的问题;影响水下目标模型低频振动声辐射的主要目标参数为目标长度、最大半径、基层壳厚度和声学覆盖层厚度。[结论]基于Kriging代理模型的水下目标参数识别方法可以通过声辐射线谱特征准确预测水下目标模型的主要目标参数值。

改进YOLOv7的轻量化水下目标检测算法

针对水下设备内存和计算能力有限和水下环境复杂造成的目标错检和漏检问题,提出一种轻量级水下目标检测方法 YOLOv7-SDBB。在YOLOv7的骨干网络上引入ShuffleNetv2轻量级网络,降低特征提取网络的参数量和计算量;设计了D-ELAN和D-MPConv模块,在进一步实现网络轻量化的同时提高模型检测速度;由于水下检测过程中容易出现错检、漏检的现象,利用BiFPN(bidirectional feature pyramid network)进行多尺度特征融合,融合深层的特征信息;针对BiFPN特征融合导致的特征信息丢失的问题,采用BiFormer注意力机制保留关键信息,提高目标检测精度。实验结果表明,改进后模型在URPC2020数据集上的精度提高了2.7个百分点,参数量和计算量分别下降了20.3%和41.7%,检测速度提升至100.9 FPS,从而验证了提出的算法在精度和速度之间取得了很好的平衡。

传感器位置误差下TDOA-DOA水下目标被动定位算法

针对水下目标被动定位中传感器位置误差带来的定位精度不高的问题,提出了一种基于两步最小二乘的到达时间差波达方向(time difference of arrival-direction of arrival,TDOA-DOA)目标定位算法。首先,构建TDOA-DOA理想化无误差模型,并利用最小二乘算法对目标位置进行粗估计。其次,考虑测量误差和传感器位置误差,构建目标定位误差和传感器位置的联合方程,并利用加权最小二乘求解。最后,利用目标定位误差对目标位置粗估计值进行修正,得到更精确的定位结果。仿真实验表明,所提算法可对目标位置和传感器位置进行联合估计,相较于已有算法具有更高的定位精度,更适用于传感器位置存在误差情况下的水下目标定位。

国外水下目标监视系统发展分析

随着水下作战向水下网络中心战转变,水下情报获取和目标的监视、探测、识别成为水下攻防体系作战的重要环节,成为未来海上体系对抗中情报任务的一项基本需求。水下目标监视系统具有战略威慑、高效侦察、探测、情报支持等多任务能力,世界多个国家在此方面投入研制力量。为跟踪国外水下目标监视系统研究的最新发展动态,通过深入分析水下目标监视系统的军事需求,概述了美国、俄罗斯、欧盟、日本、韩国等国家的水下监视系统发展现状,对国外现有典型水下监视系统进行分析,总结了国外水下目标监视系统发展趋势,阐述了水下目标监视系统发展对我国的启示。

通道空间深度感知的轻量化水下目标检测

提出了一种通道空间深度感知的轻量化水下目标检测网络CSDP-L-YOLO;该网络基于YOLOv5网络进行改进,由特征感知模块和双注意门控策略组成;特征感知模块旨在将解码器中的多级特征自适应抑制或增强,优化类内学习的一致性,解决水下场景复杂导致的误检和漏检问题;通过线性操作和混洗结构生成特征映射,减少冗余特征的融合和计算,以减少模型的参数量和计算量;双注意门控策略是在编码器中同时引入并发通道空间挤压-激励机制模块和卷积注意力模块,进一步关注强相关性特征,增强模型对特征的敏感度;实验结果表明,与基线模型YOLOv5-s相比,mAP提高了2.4%,节省了20%参数量和15.8%计算量,检测速度提升了8.2 ms;此外,与目前较为先进的YOLOv8模型相比,mAP提高了1.9%。

基于ResNet50_SIMAM的水下目标检测模型研究

水下目标检测是海洋探索和监测领域的一个关键技术挑战,具有广泛的应用。由于水下环境复杂以及视觉清晰度有限,现有检测方法效果不佳。针对这一问题,我们对现有的ResNet50模型进行改进,通过引入SIMAM注意力机制来提高检测精确度。通过对数据集的预处理和增强,模型成功适应了水下图像的特点。实验结果表明,该模型在水下目标检测任务上表现卓越,Map值由原来的64.6上升到68.35,验证了改进后的模型ResNet50_SIMAM在处理复杂水下视觉任务中的巨大潜力。

HT-TBD在水下目标被动检测中的应用

在弱目标检测研究中,HT-TBD检测算法是1种有效的理论方法。针对现有水下弱目标被动检测的难题,提出1种适用于水下目标被动检测的HT-TBD算法。首先,阐述HT-TBD检测思路,在分析声呐浮标检测组检测预处理基础上,研究基于TBD理论和Hough变换的水下目标被动检测算法;其次,围绕浮标阵型适用场景,分析探测设备指标、环境场地指标、目标指标及干扰指标,给出拦截阵和覆盖阵2类试验方案及步骤;最后,在新安江水库对2类试验场景数据进行采集和预处理。结果表明:通过实测数据和MATLAB仿真验证了HT-TBD检测算法在水下弱目标检测的可行性和有效性。

声光联合水下目标识别技术专利信息分析

声光联合水下目标识别技术是一种利用声波和光学技术相结合的方法,用于在水下环境中对目标进行识别和定位。声波可以在水下环境中传播得更远,但受到水下环境复杂性的影响,如水温、水流、水质等,会导致声波的传播受到干扰和衰减。而光学技术则受到水下环境中的光线衰减和散射的影响,但可以提供更高分辨率的图像。

基于多域特征提取的水下目标材料分类方法

针对水下目标材料的分类问题,提出了一种基于多域特征提取的水下目标材料分类方法.将目标回波信号的时域自回归(AR)系数、倒谱域特征、时频联合域的谱峰及谱峰频率相结合,实现了对金属、岩石、塑料、橡胶4类水下目标材料的分类,并利用消声水池的实测数据来验证该方法的有效性.结果表明,对于4类材料的仿真数据,所提方法的分类正确率均高于80%,且利用多域特征的效果明显优于利用单一特征.对于塑料和金属的实测数据,在信混比不小于0 dB时,所提方法的分类正确率可达80%以上.该方法对目标大小或形状等几何特征的差异具有较好的鲁棒性.

一种无人机高光谱水下目标识别算法

水下目标识别在海洋探索过程中扮演着非常重要的角色,高光谱图像(hyperspectral image,HSI)通过叠加数百个连续的波段提供了丰富的光谱空间信息,如何在丰富的高光谱水下信息中准确提取目标信息成为一项挑战。通常通过使用具有固定大小感受野(receptive field,RF)的卷积神经网络(convolutional neural network,CNN)来解决,然而,当使用前向传播和后向传播来优化网络时,这些解决方案无法使神经元有效调整感受野大小并且具有跨通道依赖性。文章提出了一种基于空-谱残差网络的无人机高光谱水下目标分类识别算法,该网络具有频谱注意力,实现自适应感受野,能够以端到端的训练方式捕捉用于人机交互分类的辨别性频谱空间特征。首先,采用SG(Savitzky-Golay)平滑处理,消除噪声所引起的光谱曲线高频抖动,保留光谱曲线有效峰谷形貌,提升后续高光谱处理精度。之后,对降噪后的光谱图像采用主成分分析法(principal components analysis,PCA)进行数据降维,提取有效数据。最后,采用空谱transformer网络(spectral-spatial transformer,SST)进行像素分类,确定水下目标所在的像素位置。使用高光谱无人机采集水下目标数据,分别在0.1 m、2 m、3 m和5 m的目标深度采集了无人机高光谱数据。实验结果表明,所提出的算法能够准确地识别水下目标。

基于遥感影像水下目标尾迹探测综述

水下目标识别技术在现代战争中发挥着重要的作用。随着遥感技术的发展,通过遥感手段检测尾迹识别水下目标是重点研究方向之一。简要介绍了水动力学尾迹和热尾迹,并且根据遥感影像分类讨论,分析了光学影像、合成孔径雷达(SAR)影像、热红外影像尾迹识别技术的特点和算法,提出未来发展初步构想,梳理总结了应关注的重点技术方向,为水下目标探测发展提供参考。

基于YOLOv8的轻量化水下目标检测算法

针对复杂水下环境导致水下目标检测时出现误检、漏检以及检测效率低等问题,提出了一种改进YOLOv8模型的轻量化水下目标检测算法。首先,为了改善颈部网络特征融合不足的问题,将YOLOv8的颈部网络融合(Bidirectional Feature Pyramid Network,BiFPN)双向特征金字塔结构,提高小目标层的检测效果;其次,针对网络中卷积模块参数量大和计算复杂度高的问题,设计了一种自适应注意力下采样(Adaptive-Attention Down-Sampling,AADS)模块,将主干网络中的卷积模块替换为AADS模块,降低模型参数量和计算量;最后,引入大可分离核注意力机制(Large Separable Kernel Attention,LSKA),强化特征提取能力,使模型能够更精确地关注重要信息,提高目标检测精度。将改进的网络在水下目标检测数据集中进行实验,改进后的算法与YOLOv8相比,平均检测精度提升了1.4%,模型计算复杂度降低了15.9%,模型参数量减少了43.3%,使检测精度和检测速度之间达到了很好的平衡。

深度强化学习在水下目标识别中的应用研究

深度强化学习的发展标志着人工智能领域的一次革命性进步。它结合了深度学习和强化学习的技术,使智能体能够在复杂、未知的环境中不断改进和优化自己的行为。论文首先对强化学习及深度强化学习相关的主流算法进行了综述,剖析了现有方法的优点和局限性。进一步地,文章详细分析了深度强化学习在军事领域的具体应用,重点聚焦于水下目标识别方向,并为实际推进深度强化学习技术在军事领域应用落地所面临的一系列问题和挑战进行了全面评估,旨在促进这一技术在军事领域的可持续发展,为未来相关研究和实践提供了有力的参考。

基于改进YOLOv5的水下目标检测模型

在复杂的深海环境中,精准地检测和识别目标是海洋探索和保护的关键。此研究对YOLOv5目标检测算法进行了优化,以提升水下目标的检测效果和效率。为了增强模型的特征提取能力,对YOLOv5的关键卷积结构——C3模块进行了替换。此外,引入SEAttention模块,这种模块利用空间注意力机制,使模型更专注于重要目标的识别。评估时,采用EIoU作为标准以准确地衡量目标检测的表现。实验主要在DeepTrash数据集上进行,与原始YOLOv5相比,优化后的模型在精确度上提高了3.1个百分点,召回率提高了1.8个百分点,mAP@0.5提高了2.4个百分点。而且,优化后的模型参数量也减少了17.4个百分点,从而提升了计算效率。即使与最新的YOLOv8相比,优化后的模型也展现出了优越的性能。

基于双频成像声呐的内河航道水下目标探测方法试验

针对内河航道中在应急情况下的水下目标探测问题,本文利用双频成像声呐开展水下目标物的成像试验,基于试验所获取的水下目标物声学图像的特点,结合三倍标准差阈值分割方法、形态学处理方法、边缘及角点检测方法,提出水下目标物所在区域的距离及面积探测方法,结果显示,区域面积探测结果与实际情况误差为7.8%,水下目标实际布置距离在测算距离以内,该方法可为航道部门进行水下目标探测提供一定参考。

水下目标物侧扫声呐图像自动识别

为解决现有港航工程、海洋工程建设中采用侧扫声呐进行水下目标检测和识别方法的局限性问题,通过引入YOLOV3深度学习方法,利用人工标记的侧扫声呐图像对深度神经网络进行训练和测试,检测水下沉船目标;采用转移学习方法,利用预先训练好的卷积神经网络对侧扫声呐数据进行特征提取、感兴趣区域(ROI)汇聚、目标定位和分类,实现目标自动检测和识别,提高了效率,且目标检测的平均识别精度达到88%。