CN112529072A - 一种基于声呐图像处理的水下沉埋物识别与定位方法 - Google Patents

一种基于声呐图像处理的水下沉埋物识别与定位方法 Download PDF

Info

Publication number
CN112529072A
CN112529072A CN202011427508.1A CN202011427508A CN112529072A CN 112529072 A CN112529072 A CN 112529072A CN 202011427508 A CN202011427508 A CN 202011427508A CN 112529072 A CN112529072 A CN 112529072A
Authority
CN
China
Prior art keywords
image
buried object
sonar
sonar image
identification
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202011427508.1A
Other languages
English (en)
Inventor
尹毅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
No 750 Test Field of China Shipbuilding Industry Corp
Original Assignee
No 750 Test Field of China Shipbuilding Industry Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by No 750 Test Field of China Shipbuilding Industry Corp filed Critical No 750 Test Field of China Shipbuilding Industry Corp
Priority to CN202011427508.1A priority Critical patent/CN112529072A/zh
Publication of CN112529072A publication Critical patent/CN112529072A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于声呐图像处理的水下沉埋物识别与定位方法，属应用于水中兵器试验领域水下沉埋物探测与打捞领域。包括构建可扩展的声呐图像数据库、建立深度学习的沉埋物图像识别算法、标定声呐图像的空间位置坐标、沉埋物探测的声呐图像目标自动识别和定位来实现；本发明专利提出了基于深度学习的声呐图像沉埋物目标自动检测识别技术，通过深度学习技术的移植应用，改善了声呐图像目标识别难度高、高度人工依赖等问题；解决了声呐图像空间坐标缺失的问题。可以实现水下沉埋物探测作业的声呐图像目标自动识别和空间位置定位，实现了对传统沉埋物探测作业技术和方法的创新变革和提高。

Description

一种基于声呐图像处理的水下沉埋物识别与定位方法
技术领域
本发明专利属于一种基于声呐图像处理的水下沉埋物识别与定位技术，可以应用于水中兵器试验领域水下沉埋物探测与打捞等方面。
背景技术
水下沉埋装备打捞是水中兵器试验靶场的重要业务之一。沉埋物的探测和定位是实现打捞的先决条件，由于水底地形地貌多变、水环境复杂、可见度差，在大面积深水区域探测和识别沉埋物是极具挑战性的课题。随着声呐技术的发展，图像声呐已成为搜寻湖底沉埋物的主力设备和技术手段，但在实际应用中，通过声呐图像探测沉埋物还存在技术和使用方法上的不足。首先，相比光学图像，声成像结构粗糙、精细度差，目标对比度低、特征不明显是声呐图像的致命缺陷，往往需要经过专业训练的人员细致判读声呐图像才能识别沉埋物；其次，声呐图像一般具有接近一千米的搜寻视场宽度，而大部分沉埋装备的最大尺度一般只有几米，在如此大的成像范围内人眼难以快速发现图像目标；再次，在使用方法方面，由于图像声呐缺乏定位辅助***，当发现可疑目标后往往需要反复寻找、确认目标位置。
另外，如果仅依靠人工读图，通过图像声呐搜寻水下沉埋物时，对沉埋物的正确识别率，除受声呐图像等探测设备的性能影响外，还与设备操作人员的经验是否丰富密切相关。总体来说，现阶段的沉埋物探测方法，一方面需要非常专业的声呐图像判读人员来完成工作，由于人员及岗位变化不可避免，往往需要花费大量精力和成本在人员培训方面，而且判读图像声呐的专业知识和经验难以复制，难以应付短时间内工作量急剧增加的情况，存在成本高、效率低等问题；另一方面，人员对声呐图像的判读水平和准确度不但与知识和经验直接相关，还与工作时的身体状态、精神及情绪状况等不可量化因素相关，容易随机地导致误判和错判，存在随机性高、误差不可控等问题；另外，由于缺乏有效的沉埋物定位手段，还存在重复劳动多、效率低等问题。
发明内容
本发明专利设计了一种基于声呐图像识别的水下沉埋物自动识别与定位技术，通过声呐图像识别算法自动检测、识别图像声呐扫面湖底获得的沉埋物图像目标，再基于船位坐标***建立图像声呐的成像坐标系，结合二者可实现沉埋物的自动识别和空间位置定位。本发明是这样实现的：
一种基于声呐图像处理的水下沉埋物识别与定位技术，包括以下步骤：
S1、构建可扩展的声呐图像数据库：以实际水上作业探测沉埋物的声呐图像数据为基础，丰富和扩展现有声呐图像数据；
S2、建立深度学习的沉埋物图像识别算法：基于深度学习、人工特征工程和其他先验知识的声呐图像沉埋物检测技术，并以基于沉埋物回波特性识别的水声识别技术为补充手段，形成沉埋物探测识别算法；
S3、标定声呐图像的空间位置坐标：基于船只导航定位***实现图像声呐成像区域的空间位置标定；基于船只拖曳图像声呐搜寻沉埋物时，船只的位置、速等信息，图像声呐的扫描范围、扇区角度、视场角、距离物理参数，从而标定声呐图像的空间位置坐标；
S4、沉埋物探测的声呐图像目标自动识别和定位：通过声呐图像沉埋物检测识别算法自动判读声呐图像，获得沉埋物疑似目标在声呐图像上的像素坐标，再根据声呐图像的空间位置标定信息解算沉埋物疑似目标的实际空间位置，从而实现沉埋物探测的声呐图像目标自动识别和定位。
进一步的，步骤S1中所述丰富和扩展现有声呐图像数据的步骤还包括：择试验水池或合适的湖区布设各种姿态的沉装备和目标模拟物，以船只拖曳声呐图像的方式采集不同距离、方位、角度及姿态等条件下的沉埋物声呐图像，以丰富和扩展现有声呐图像数据。
进一步的，步骤S2中，所述形成沉埋物探测识别算法的步骤还包括：采用HOG—方向梯度直方图、SIFT—尺度不变特征变换和CNN—卷积神经网络三种特征提取算法，并结合沉埋物形状特征等先验知识，增加声呐图像特征提取的互补性和冗余性；采用SS—选择搜索和RPN—区域提名网络两种算法，进行声呐图像沉埋物目标区域提名；采用FCN—多层全连接网络算法进行声纳图像的分类和识别。
进一步的，分别构建CNN+RPN+FCN、HOG+SS+FCN和SIFT+SS+FCN三种独立的水下沉埋物探测声呐图像目标检测算法。
进一步的，采用水声多途反射抗干扰检测技术和高精度声线修正技术对沉埋物回波信号进行修正；对沉埋物回波信号进行多分辨率分解，采用小波基函数进行多层分解，获得各尺度上信号分量能量分布为特征向量，并采用多层FCN为分类器实现对水声回波信号的分类、识别。
通过对数据进行采样、随机子空间、扰动、投影操作生成多个既与原数据集保持相似数据结构分布，又具有差异性的多个新训练集训练基本检测器，采用bagging集成学习算法，深度融合基础检测器形成沉埋物探测识别算法。
本发明的工作原理和有益效果：
(1)以实际水上作业探测沉埋物的声呐图像数据为基础，构建可扩展的声呐图像数据库，以机器学习等手段实现声呐图像沉埋目标的自动检测识别，自动提取沉埋目标的图像坐标；
(2)基于船只导航定位***，获取船位坐标数据，再根据图像声呐的扫描范围、扇区角度、视场角、距离等物理参数及声呐与搭载船只的相对位置标定声呐图像的空间位置坐标，实现图像声呐成像区域的空间位置标定，解算声呐图像像素坐标系到空间坐标系的转换矩阵W；
(3)以(1)和(2)为基础，提取沉埋物在声呐图像上的像素坐标，根据声呐图像的空间位置标定信息解算沉埋物疑似目标的实际空间位置坐标，实现沉埋物探测的声呐图像目标自动识别和定位。
通过声呐图像沉埋物识别完成声呐图像数据的计算机自动判读，实现准实时目标自动识别和提示功能，并结合船位坐标系和图像声呐声成像物理模型建立声呐图像空间位置坐标系，最终实现沉埋物探测的目标自动检测识别和空间位置定位。
本发明专利的创新点包括两个方面。首先，本发明专利提出了基于深度学习的声呐图像沉埋物目标自动检测识别技术，通过深度学习技术的移植应用，改善了声呐图像目标识别难度高、高度人工依赖等问题；其次，本发明专利提出了基于船只导航定位***实现图像声呐成像区域的空间位置标定方法，解决了声呐图像空间坐标缺失的问题。两个方面创新内容的结合应用，可以实现水下沉埋物探测作业的声呐图像目标自动识别和空间位置定位，实现了对传统沉埋物探测作业技术和方法的创新变革和提高。
附图说明
图1水下沉埋物自动识别和定位方法技术原理框架
图2基于bagging集成学习的声呐图像目标检测算法基本框架
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
实施例一
首先，实现基于深度学习的声呐图像目标自动检测识别。技术途径是在探测沉埋物声呐图像历史数据的基础上，通过基于深度学习声呐图像目标识别技术研究，构建可扩展的声呐图像数据库及基于深度学习的沉埋物图像识别算法。并选择试验水池或合适的湖区布设各种姿态的沉装备和目标模拟物，以船只拖曳声呐图像的方式采集不同距离、方位、角度及姿态等条件下的沉埋物声呐图像，以丰富和扩展现有声呐图像数据。
声呐图像特别是高分辨声呐图像与光学图像具有相似的空间结构，通过水声成像可以获得较准确的沉埋物几何特征和稍粗糙的纹理特征。这些特点意味着声呐图像沉埋物检测可以采用与光学图像目标检测类似的人工智能算法。但是，声呐图像是一种伪图像，本身包含的纹理、结构、对比度及色彩等特征信息远低于光学图像，简单应用单个学习算法难以达到期望效果。
为此，本发明专利从增加沉埋物探测算法的冗余性和互补性出发，通过基于深度学习、人工特征工程和其他先验知识的声呐图像沉埋物检测技术，并以基于沉埋物回波特性识别的水声识别技术为补充手段，再通过集成学习技术将上述沉埋物检测算法深度融合形成了检测能力更强、鲁棒性更高的综合型沉埋物探测算法，以解决现有沉埋物探测方法数据处理效率低下、需大量人工判读等不足。
水下沉埋物探测声呐图像目标检测算法的设计包括以下技术细节：(1)采用方向梯度直方图(HOG)、尺度不变特征变换(SIFT)和卷积神经网络(CNN)三种特征提取算法，并结合沉埋物形状特征等先验知识，增加声呐图像特征提取的互补性和冗余性；(2)采用选择搜索(SS)和区域提名网络(RPN)两种算法，实现声呐图像沉埋物目标区域提名；(3)采用多层全连接网络(FCN)算法实现声纳图像的分类和识别。
根据上述算法，分别构建CNN+RPN+FCN、HOG+SS+FCN和SIFT+SS+FCN三种独立的水下沉埋物探测声呐图像目标检测算法。
作为补充手段，采用水声多途反射抗干扰检测技术和高精度声线修正技术对沉埋物回波信号进行修正。对沉埋物回波信号进行多分辨率分解，采用小波基函数进行多层分解，获得各尺度上信号分量能量分布为特征向量，并采用多层FCN为分类器实现对水声回波信号的分类、识别。
通过对数据进行采样、随机子空间、扰动、投影等操作生成多个既与原数据集保持相似数据结构分布，又具有差异性的多个新训练集训练基本检测器，采用bagging集成学习算法，深度融合基础检测器形成沉埋物探测识别算法。
其次，基于船只导航定位***实现图像声呐成像区域的空间位置标定。通过船只拖曳图像声呐搜寻沉埋物时，船只的位置、速度等信息可通过导航定位***实时获得，如果船只与图像声呐采用硬连接，则二者的位置偏移是固定的常量。基于这些信息，再根据图像声呐的扫描范围、扇区角度、视场角、距离等物理参数标定声呐图像的空间位置坐标。具体实现方面，由于不存在高速运动及严重畸变等问题，船只位置、运动速度、声呐位置、声呐成像物理参数模型等坐标信息通过线性组合即可建立声呐图像的空间坐标系，不存在难以克服的技术困难。
最后，通过声呐图像沉埋物检测识别算法自动判读声呐图像，获得沉埋物疑似目标在声呐图像上的像素坐标，再根据声呐图像的空间位置标定信息解算沉埋物疑似目标的实际空间位置，从而实现沉埋物探测的声呐图像目标自动识别和定位。
实施例二
本发明专利的具体实施步骤如下：
步骤一：以实际水上作业探测沉埋物的声呐图像数据为基础，构建可扩展的声呐图像数据库，以机器学习等手段实现声呐图像沉埋目标的自动检测识别，自动提取沉埋目标的图像坐标：
positionimage＝{ximage,yimage,wimage,himage} 公式1
步骤二：基于船只导航定位***，获取船位坐标数据，再根据图像声呐的扫描范围、扇区角度、视场角、距离等物理参数及声呐与搭载船只的相对位置标定声呐图像的空间位置坐标，实现图像声呐成像区域的空间位置标定，解算声呐图像像素坐标系到空间坐标系的转换矩阵W；
步骤三：以(1)和(2)为基础，提取沉埋物在声呐图像上的像素坐标，根据声呐图像的空间位置标定信息解算沉埋物疑似目标的实际空间位置坐标，实现沉埋物探测的声呐图像目标自动识别和定位：
positionspace＝WT×positionimage 公式2
应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (8)

1.一种基于声呐图像处理的水下沉埋物识别与定位方法，其特征在于，包括以下步骤：
S1、构建可扩展的声呐图像数据库：以实际水上作业探测沉埋物的声呐图像数据为基础，丰富和扩展现有声呐图像数据；
S2、建立深度学习的沉埋物图像识别算法：基于深度学习、人工特征工程和其他先验知识的声呐图像沉埋物检测技术，并以基于沉埋物回波特性识别的水声识别技术为补充手段，形成沉埋物探测识别算法；
S3、标定声呐图像的空间位置坐标：基于船只导航定位***实现图像声呐成像区域的空间位置标定；
S4、沉埋物探测的声呐图像目标自动识别和定位：通过声呐图像沉埋物检测识别算法自动判读声呐图像，获得沉埋物疑似目标在声呐图像上的像素坐标，再根据声呐图像的空间位置标定信息解算沉埋物疑似目标的实际空间位置，从而实现沉埋物探测的声呐图像目标自动识别和定位。
2.根据权利要求1所述的水下沉埋物识别与定位方法，其特征在于，步骤S1中所述丰富和扩展现有声呐图像数据的步骤还包括：择试验水池或合适的湖区布设各种姿态的沉装备和目标模拟物，以船只拖曳声呐图像的方式采集不同距离、方位、角度及姿态等条件下的沉埋物声呐图像，以丰富和扩展现有声呐图像数据。
3.根据权利要求1所述的水下沉埋物识别与定位方法，其特征在于步骤S2中，所述形成沉埋物探测识别算法的步骤还包括：
采用HOG—方向梯度直方图、SIFT—尺度不变特征变换和CNN—卷积神经网络三种特征提取算法，并结合沉埋物形状特征等先验知识，增加声呐图像特征提取的互补性和冗余性；
采用SS—选择搜索和RPN—区域提名网络两种算法，进行声呐图像沉埋物目标区域提名；
采用FCN—多层全连接网络算法进行声纳图像的分类和识别。
4.根据权利要求3所述的水下沉埋物识别与定位方法，其特征在于，还包括：分别构建CNN+RPN+FCN、HOG+SS+FCN和SIFT+SS+FCN三种独立的水下沉埋物探测声呐图像目标检测算法。
5.根据权利要求4所述的水下沉埋物识别与定位方法，其特征在于，还包括：采用水声多途反射抗干扰检测技术和高精度声线修正技术对沉埋物回波信号进行修正；对沉埋物回波信号进行多分辨率分解，采用小波基函数进行多层分解，获得各尺度上信号分量能量分布为特征向量，并采用多层FCN为分类器实现对水声回波信号的分类、识别。
6.根据权利要求5所述的水下沉埋物识别与定位方法，其特征在于，还包括：通过对数据进行采样、随机子空间、扰动、投影操作生成多个既与原数据集保持相似数据结构分布，又具有差异性的多个新训练集训练基本检测器，采用bagging集成学习算法，深度融合基础检测器形成沉埋物探测识别算法。
7.根据权利要求1所述的水下沉埋物识别与定位方法，其特征在于在步骤s3中，还包括：基于船只拖曳图像声呐搜寻沉埋物时，船只的位置、速等信息，图像声呐的扫描范围、扇区角度、视场角、距离物理参数，从而标定声呐图像的空间位置坐标。
8.根据权利要求1所述的水下沉埋物识别与定位方法，其特征在于，步骤S4中，还包括：
自动提取沉埋目标的图像坐标：
positionimage＝{ximage,yimage,wimage,himage} 公式1
提取图像声呐成像区域的空间位置标定，解算声呐图像像素坐标系到空间坐标系的转换矩阵W；
positionspace＝WT×positionimage 公式2
实现沉埋物探测的声呐图像目标自动识别和定位。
CN202011427508.1A 2020-12-07 2020-12-07 一种基于声呐图像处理的水下沉埋物识别与定位方法 Pending CN112529072A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011427508.1A CN112529072A (zh) 2020-12-07 2020-12-07 一种基于声呐图像处理的水下沉埋物识别与定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011427508.1A CN112529072A (zh) 2020-12-07 2020-12-07 一种基于声呐图像处理的水下沉埋物识别与定位方法

Publications (1)

Publication Number Publication Date
CN112529072A true CN112529072A (zh) 2021-03-19

Family

ID=74996859

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011427508.1A Pending CN112529072A (zh) 2020-12-07 2020-12-07 一种基于声呐图像处理的水下沉埋物识别与定位方法

Country Status (1)

Country Link
CN (1) CN112529072A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113111867A (zh) * 2021-06-15 2021-07-13 北京星天科技有限公司 一种声呐图像识别方法和装置

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009069109A (ja) * 2007-09-18 2009-04-02 Toshiba Corp ソーナー探知情報処理装置
JP2014132248A (ja) * 2013-01-07 2014-07-17 Nec Corp ソーナー画像処理装置、ソーナー画像処理方法、ソーナー画像処理プログラムおよび記録媒体
CN106886017A (zh) * 2017-01-11 2017-06-23 浙江大学 基于双频识别声呐的水下目标空间位置计算方法
CN107909082A (zh) * 2017-10-30 2018-04-13 东南大学 基于深度学习技术的声呐图像目标识别方法
CN108596030A (zh) * 2018-03-20 2018-09-28 杭州电子科技大学 基于Faster R-CNN的声呐目标检测方法
CN108614269A (zh) * 2018-07-11 2018-10-02 武汉长江航道救助打捞局 一种基于图像声呐的水下定位***及其工作方法
CN110084234A (zh) * 2019-03-27 2019-08-02 东南大学 一种基于实例分割的声呐图像目标识别方法
CN110188696A (zh) * 2019-05-31 2019-08-30 华南理工大学 一种水面无人装备多源感知方法及***
CN111142112A (zh) * 2019-12-18 2020-05-12 中国船舶重工集团有限公司第七一0研究所 一种水下锚系小目标快速非成像检测方法
CN111652149A (zh) * 2020-06-04 2020-09-11 青岛理工大学 基于深度卷积神经网络的沉底油声呐探测图像识别方法
CN111983620A (zh) * 2020-03-04 2020-11-24 武汉理工大学 一种面向水下机器人搜寻探摸的目标定位方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009069109A (ja) * 2007-09-18 2009-04-02 Toshiba Corp ソーナー探知情報処理装置
JP2014132248A (ja) * 2013-01-07 2014-07-17 Nec Corp ソーナー画像処理装置、ソーナー画像処理方法、ソーナー画像処理プログラムおよび記録媒体
CN106886017A (zh) * 2017-01-11 2017-06-23 浙江大学 基于双频识别声呐的水下目标空间位置计算方法
CN107909082A (zh) * 2017-10-30 2018-04-13 东南大学 基于深度学习技术的声呐图像目标识别方法
CN108596030A (zh) * 2018-03-20 2018-09-28 杭州电子科技大学 基于Faster R-CNN的声呐目标检测方法
CN108614269A (zh) * 2018-07-11 2018-10-02 武汉长江航道救助打捞局 一种基于图像声呐的水下定位***及其工作方法
CN110084234A (zh) * 2019-03-27 2019-08-02 东南大学 一种基于实例分割的声呐图像目标识别方法
CN110188696A (zh) * 2019-05-31 2019-08-30 华南理工大学 一种水面无人装备多源感知方法及***
CN111142112A (zh) * 2019-12-18 2020-05-12 中国船舶重工集团有限公司第七一0研究所 一种水下锚系小目标快速非成像检测方法
CN111983620A (zh) * 2020-03-04 2020-11-24 武汉理工大学 一种面向水下机器人搜寻探摸的目标定位方法
CN111652149A (zh) * 2020-06-04 2020-09-11 青岛理工大学 基于深度卷积神经网络的沉底油声呐探测图像识别方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113111867A (zh) * 2021-06-15 2021-07-13 北京星天科技有限公司 一种声呐图像识别方法和装置

Similar Documents

Publication Publication Date Title
Hughes et al. A deep learning framework for matching of SAR and optical imagery
CN109544612B (zh) 基于特征点几何表面描述的点云配准方法
CN108052942B (zh) 一种飞机飞行姿态的视觉图像识别方法
CN109444911A (zh) 一种单目相机和激光雷达信息融合的无人艇水面目标检测识别与定位方法
CN109740665A (zh) 基于专家知识约束的遮挡图像船只目标检测方法及***
CN109100741A (zh) 一种基于3d激光雷达及图像数据的目标检测方法
CN101609504B (zh) 一种红外图像海面目标检测识别定位方法
CN109559320A (zh) 基于空洞卷积深度神经网络实现视觉slam语义建图功能的方法及***
CN108764027A (zh) 一种基于改进的rbd显著性计算的海面目标检测方法
Heidarsson et al. Obstacle detection from overhead imagery using self-supervised learning for autonomous surface vehicles
Panagiotakis et al. Linear pattern detection of geological faults via a topology and shape optimization method
CN111126116A (zh) 无人船河道垃圾识别方法及***
CN109087261A (zh) 基于非受限采集场景的人脸矫正方法
CN109635726B (zh) 一种基于对称式深度网络结合多尺度池化的滑坡识别方法
CN110751077B (zh) 一种基于部件匹配与距离约束的光学遥感图片船舶检测方法
CN102903109A (zh) 一种光学影像和sar影像一体化分割配准方法
Reggiannini et al. Seafloor analysis and understanding for underwater archeology
Zhang et al. Nearshore vessel detection based on Scene-mask R-CNN in remote sensing image
Xiao et al. 3D urban object change detection from aerial and terrestrial point clouds: A review
CN112198170A (zh) 一种无缝钢管外表面三维检测中识别水滴的检测方法
CN108573280A (zh) 一种无人船自主通过桥梁的方法
CN108388854A (zh) 一种基于改进fast-surf算法的定位方法
Li et al. Vision-based target detection and positioning approach for underwater robots
CN112529072A (zh) 一种基于声呐图像处理的水下沉埋物识别与定位方法
CN114066795A (zh) Df-sas高低频声呐图像精细配准融合方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination