声呐图像生成和检测方法研究.pdf

声呐图像生成和检测方法研究

摘要

随着人类对海洋探寻和开发的逐步深入，对水下资源的探测技术以及对水下目标的

搜寻定位技术也越来越受到人们的重视。然而，由于海洋环境的复杂性和能见度的低下，

传统光学的检测手段受到了极大的限制。相比之下，基于声呐技术的前视声呐和侧扫声

呐能够通过声波成像实现无视觉阻碍的探测，因此成为一种常用的水下探测技术。然而

针对水下特征不明显且数据稀少的声呐图像中的小目标，现有目标检测方法的检测精度

还很差且缺乏自适应能力。因此，本文重点针对声呐数据稀少和声呐小目标检测问题开

展深入的研究。主要的研究工作如下：

首先，研究了声呐图像数据的预处理方法。由于声呐信号易受到海水背景噪声等影

响，导致声呐图像包含较多噪声，其中主要包括AUV在航行时速度不稳定，导致侧扫

声呐图像存在畸变；以及在发射和接收时，信号回波强度衰减，导致声呐图像两侧区域

对比度低，目标和背景不易于区分。为此，本文首先使用多种滤波算法对声呐图像进行

去噪，并研究了速度校正和斜距校正方法以消除畸变。其次，本文设计了一种基于DCE-

Net的声呐图像增强方法，并通过实验证明该方法能够更好地增强声呐图像，提升声呐

图像两侧区域中目标的对比度，从而提高海洋目标检测和识别的准确性。

其次，研究了声呐图像生成方法。针对声呐图像数据不足且现有扩充方法得到的数

据中的物体结构细节模糊、背景噪声严重且缺乏真实性等问题，本文提出了一种基于物

体三维模型的图像数据生成方法。该方法使用仿真软件获取目标物体的3D模型，通过

修正光照角度并从俯视角度获取目标图像。此外，本文还设计了一种基于改进的

CycleGAN声呐图像生成方法，其中包括增加注意力机制以解决目标特征丢失和噪声严

重问题以及加入恒等损失函数以解决图像细节模糊问题。实验结果表明，改进后的

CycleGAN方法可以生成结构更加清晰、噪声更少的声呐图像。

再次，研究了改进的声呐图像目标的检测方法。针对现有声呐目标检测算法存在小

目标漏检和回归框不准确问题。结合声呐图像的特点，本文提出了一种改进的YOLOv5

声呐图像目标检测算法，该算法改进了特征融合模块和损失函数，并增加了注意力机制。

实验证明，该方法能够有效提高回归框的定位精度，改善小目标漏检问题。

最后，本研究探讨了基于前视声呐和侧扫声呐的融合检测方法以及改进的模型压缩

方法。针对侧扫声呐存在盲区和小目标误检问题，本文结合前视声呐和侧扫声呐各自的

哈尔滨工程大学硕士学位论文

优点，通过决策级融合的方式提升了准确度，并降低了漏检率和误检率。针对融合检测

的实际应用场景，本文优化了模型的压缩方法以满足实时性的要求，并使用改进的压缩

方法达到了较好的压缩率。

关键词：声呐；风格迁移；生成对抗网络；目标检测；模型压缩

声呐图像生成和检测方法研究

ABSTRACT

Ashumanexplorationanddevelopmentoftheoceancontinuetodeepen,thedetection

technologyforunderwaterresourcesandthesearchandlocationtechnologyforunderwater

targetsarebecomingincreasinglyimportant.However,traditionalopticaldetectionmethods

aregreatlylimitedbythecomplexityofthemarineenvironmentandlowvisibility.Incontrast,

forward-lookingsonarandsidescansonarbasedonsonartechnologycanachievedetection

withoutvisualobstructionthroughsoundwaveimaging,makingthemacommonlyused

underwaterdetectiontec