论文部分内容阅读
近年来,全球国际政治形势趋于复杂化、严峻化,海域内生态环境恶化。如何合理的开发海洋资源,有效保护国家领海主权,是各国当下面临的重要任务。另外,水下声呐目标检测与识别一直以来都困扰着国内外水声界,如何提高水下声呐目标检测的精度与速度是各国迫在眉睫的重大研究课题。在这样的迫切需求和研究背景下,本论文展开了基于深度学习的声呐目标检测与识别等关键技术的研究。其中主要包括了:三维声呐信号数据预处理,低信噪比下声呐目标特征提取,水下声呐目标检测定位及分类等。对于声呐目标的特征提取、检测定位及分类主要从以下两个方面对其研究:(1)提出了一种基于Faster R-CNN的声呐目标检测方法。为了提高水下声呐目标检测的精度和速度,利用海量的水声数据进行特征提取研究。本文将Faster R-CNN这一算法模型应用于水下声呐目标检测,并做相关适配性改进,使之能更好的发挥神经网络在声呐目标检测上的优势。通过大量的声呐数据训练并做测试研究表明,本文采用的深度学习技术可以高效实现复杂水下环境中声呐目标的特征提取。通过区域加速卷积神经网络,提高了低信噪比下水下声呐目标检测的精度与速度,为复杂水下声呐目标的特征提取提供新的研究手段。(2)提出了一种基于SSD的声呐目标检测方法。通过对基于Faster R-CNN的声呐目标检测方法进行实验研究发现,使用深度学习这一技术突破了传统图像处理方法在低信噪比下声呐目标检测的瓶颈,检测准确率较传统图像处理方法得到大幅度提升。但是,基于Faster R-CNN的声呐目标检测方法在实时检测方面,速度还有待提升。因此,针对以上Faster R-CNN对应的问题,本文将基于回归思想的目标检测算法—SSD模型应用于声呐目标检测,并做相关适配性改进。通过实验研究发现,在本文实验环境下,基于SSD的声呐目标检测方法在精度上几乎接近基于Faster R-CNN的声呐目标检测方法,并且在测试速度上比基于Faster R-CNN的声呐目标检测方法快4倍。论文通过对这些水下声呐目标检测关键技术的研究,期望在未来能为水下声呐目标检测系统的研制提供更多思路。