人工鱼礁作为海洋牧场建设的重要内容,在投放的过程中因技术水平的限制,相关作业规范的缺失,以及海上恶劣的作业环境等因素,从而导致鱼礁投放位置不准确,进而影响牧场建设效果。对此,本文采用声学手段对大规模海底人工鱼礁进行探测和识别,提取礁体矢量点做约束聚类分析并计算投放误差,为人工鱼礁投放位置提供直观精确的水下地形地貌资料。本文内容主要有:采用侧扫声纳设备采集水下地貌图、采用数字图像处理及深度学习方法对声纳图像上的人工鱼礁进行自动化识别与提取、采用聚类分析的方法对整个鱼礁区建设质量进行评估,进而为海洋牧场的建设提供科学的技术方法。针对传统目视解译已愈发不能解决大规模人工鱼礁的提取识别问题,本文提出基于侧扫声纳图像的人工鱼礁自动识别方法。此方法首先使用侧扫声纳后处理软件对采集的数据进行预处理,再对预处理后的图像进行均值平滑滤波整体去噪、自适应平滑滤波局部去噪、极差滤波锐化图像、提取目标边缘判定目标、二值化等一系列处理,最后进行矩阵运算提取礁体及其声影区,最终获得鱼礁的位置信息。实验结果表明本文方法在两种侧扫声纳图像识别人工鱼礁正确度达94%以上,完整度达85%以上,且具有良好的通用性。此外,本文针对海底人工鱼礁目标检测问题,探讨了深度学习网络技术Faster R-CNN和SSD在侧扫声纳图像中海底人工鱼礁目标检测中的应用。针对训练样本不足问题,构建了AR19数据集,基于该数据集采用迁移学习的方式对Faster R-CNN模型以及SSD模型进行训练,并在测试集上进行验证。实验结果表明,Faster R-CNN模型检测精度为92.68%,召回率为97.83%,SSD目标检测模型精度为51.21%,召回率为73.53%。综上所述,深度学习算法在侧扫声纳图像上可较为准确高效的识别人工鱼礁,其中Faster R-CNN模型具备更高的精度鲁棒性及泛化能力。人工鱼礁单体通过相互之间的协同作用改变海底地形,为聚集鱼类提供栖息地。为评估礁体投放质量,需对实际投放的人工鱼礁聚合模式进行探讨,本文采用空间聚类分析算法,对整个鱼礁区中离散礁及礁群进行评估。采用Delaunay三角剖分方法对空间对象进行聚类,定义了整体及局部约束条件,总结了人工鱼礁投放质量评估指标。以海州湾人工鱼礁区数据为例,得到7组单位人工鱼礁,反映了其实际聚合模式,更直观的反应出实际投放与设计之间的差距。结果表明,该方法可良好地反应人工鱼礁聚类离散程度及其聚类组合方式,为评估设计与实测礁点的指标误差提供了量化数值。