大噪声环境下前视声呐图像目标识别方法研究

提出大噪声环境下前视声呐图像目标识别的研究方法,针对水下无人航行器(UUV)在近岸浅水区航行中由于前视声呐图像噪声较大,难以准确识别目标的问题,通过改进的中值滤波和Otus阈值检测算法,对前视声呐图像进行滤波和二值化.利用区域增长算法分割疑似目标区域图像,分别提取分割图像的长度、形状、方向、灰度均值和灰度能量中值等参数...     

基于前视声呐图像的AUV目标识别与跟踪

声呐图像由于水体不均匀、边界不规则以及声呐设备本身性能的限制,导致图像噪声明显、亮度不均、分辨率低,使得水下AUV装备在使用前视声呐进行水下目标检测时难度较大。针对该问题,基于m750d声呐探测获得的AUV声呐数据,进行了数据提取、高斯滤波处理、扇形映射处理,并采用Jet映射对声呐灰度图像进行了伪彩色映射提高数据标注速度和精度,制作获得了4组2 500张声呐图像的AUV目标检测数据集;采用YOLOv4-tiny目标检测算法开展AUV目标检测研究,研究结果表明该方法在该数据集上表现优秀,mAP@0.50达到94.17%,FPS在22帧左右,说明该轻量级网络在水下AUV目标识别与跟踪应用上具有较好的应用价值。     

剪切波变换下的侧扫声呐图像降噪方法

针对侧扫声呐图像对比度低、噪声强度大特点导致的部分传统滤波方法降噪能力的不足,提出一种基于剪切波变换的侧扫声呐图像降噪方法。首先对侧扫声呐图像进行剪切波变换,在考虑噪声水平的基础上,对剪切系数进行阈值处理,再将修正后的系数进行剪切波逆变换,重构侧扫声呐图像,实现了侧扫声呐图像的降噪。实验结果表明,该方法相比于维纳滤波、小波滤波和非局部均值滤波等常用降噪方法,可以获取更好的图像效果,在侧扫声呐图像降噪中具有综合优势。     

无人水下航行器声呐装备现状与发展趋势

无人水下航行器(UUV)已成为当今世界各国海军争相研究的热点,而各类声呐装备是UUV完成使命任务的重要手段。本文对国内外UUV声呐装备的技术现状进行详细阐述,对一些典型声呐装备的功能、性能指标做较全面的说明,并重点针对UUV声呐装备的关键技术与未来发展趋势进行分析与展望,为我国发展UUV声呐装备提供有益的思路和参考。     

基于调制线谱特征提取的被动声呐目标识别技术研究

目标噪声特征提取和目标分类器设计是被动声呐目标识别系统的关键技术。本文针对被动声呐目标识别，首先着重研究了调制线谱特征提取方法，然后为了训练神经网络目标分类器，本文将遗传算法和BP算法相结合，提出了一种新的自适应遗传BP算法。最后，对海上实录的三类目标噪声进行了分类识别，实验结果表明本文设计的被动声呐目标识别系统具有很好的分类效果。     

用于水下机器人的主动侧扫声呐图像预处理技术

分析了侧扫声呐接收机的噪声来源：自噪声和水体噪声,概括了它们影响声呐接收机的辐射路径;求出回波噪声的数字特征,在此基础上给出单扫描角度上声呐图像数据的递归最小二乘滤波算法,可提高水下机器人路径规划算法的实时l生。使用超小型远程操纵机器人（ROV）搭载SeaSprite声呐在船池中实验,对比给出预处理前后的声呐回波数据的还原图像,显示效果明显改善。     

基于统计量的声呐图像目标检测算法

水下声呐图像目标检测问题是一项重要而困难的工作,采用滑动窗计算图像中各像素点处邻域像素灰度的统计量,利用最大熵图像分割算法确定检测阈值,并利用均值、标准差、偏态和峰度等统计量对算法进行了仿真验证,对声呐图像中的目标回波区和阴影区域均可实现较好的检测效果。结果表明,该方法具有原理简单、运算效率高、实时性好等特点,具有较强的工程应用价值。     

潜艇跟踪过程中声呐浮标的作战使用

为了提高反潜航空兵跟踪潜艇的效率,在声呐浮标基本组成的基础上,提出声呐浮标在跟踪潜艇时的战斗使用方法,即保持连续目标接触法和保持周期性目标接触法.分别对使用这2种方法时浮标障的布放形式进行了分析,并就声呐浮标跟踪潜艇时的战术质量指标进行了定量计算.研究结果对我海军当前航空兵反潜有一定的现实指导意义.     

声呐平台噪声控制机理分析

文章针对舰艇声呐平台的噪声问题,研究了三大噪声源对声呐自噪声的影响。研究表明,声呐舱水动力噪声分量主要受肋骨结构影响,在设计中应避免肋骨的形函数与湍流脉动压力波数—频率谱耦合。舰艇自身的螺旋桨噪声和辐射噪声主要从后部和底部向声呐平台传递,在声呐壁面附近和声呐区域产生较高噪声,为提高声呐自噪声控制效果,应在非透声壁面采取隔声措施。舷侧声呐受艇体振动影响较大,应在声呐单元安装导轨的振动传递途径上采取阻尼控制措施,有效降低声呐单元的振动响应。     

联合NSCT模糊域的声呐图像目标增强方法研究

提出一种基于非下采样轮廓波变换（NSCT）结合模糊域的噪声抑制和目标增强方法。使用NSCT将含噪声呐图像分解为不同的频率和方向响应子带,利用V-Bayes估计理论推导了模型的相应非线性二元阈值函数对NSCT系数的子带进行去噪。结合领域信息和空间信息构造模糊特征,再构建出模糊隶属度收缩函数对降噪后的NSCT分量执行二次降噪,最后以重建降噪后的声呐图像数据,使用综合数据和效果图示例来证明所提出的方法能够有效的去除声呐图像噪声,且优于基于小波变换的阈值去噪方法。