基于聲吶圖像的水雷目標(biāo)檢測技術(shù)簡述

胡紅波，梅新華

（1. 海裝駐宜昌地區(qū)軍事代表室，湖北 宜昌 443003；2. 中船重工鵬力（南京）大氣海洋信息系統(tǒng)有限公司，江蘇 南京 210000）

0 引言

水雷以其目標(biāo)小、噪聲低、隱身性能好、使用靈活、破壞力大、代價小等特點，一直是封鎖敵人和保衛(wèi)自己的主要手段，可以實施遠程封鎖、阻斷海運貿(mào)易、切斷或占領(lǐng)近海能源基礎(chǔ)設(shè)施，對于動搖民心、摧毀戰(zhàn)爭意志、威懾敵方等具有重要意義，在歷次的海戰(zhàn)中扮演著重要的角色。

在反水雷作戰(zhàn)樣式中，獵雷是其中重要手段之一，是各反水雷強國紛紛大力發(fā)展的技術(shù)，而水下目標(biāo)圖像檢測識別技術(shù)是其中關(guān)鍵核心技術(shù)，對于提升獵雷裝備探測識別效率具有十分重要的意義。

1 水雷狀態(tài)分析

水雷作為重要的水下防御手段，其功能也在不斷提升，從初始的被動防御向主動防御轉(zhuǎn)變，其主要特點總結(jié)包括“遠、準、隱、動、快、久、抗、深、智、廉”等。

相對于光波、無線電波，聲波在水下衰減小、探測距離遠，一直是水下目標(biāo)探測的主要手段。由于水雷等目標(biāo)靜止或在水下微動，且不會主動向外部輻射信號，需要發(fā)射主動信號照射并接收其激勵產(chǎn)生的回波，達到目標(biāo)檢測識別的目的。以水下側(cè)掃成像為例，即使是同一個目標(biāo)在不同距離、不同方向探測可能都呈現(xiàn)不同的結(jié)果，給AUV自主探測和識別帶來了挑戰(zhàn)。

圖1為某型AUV上攜帶的聲吶對不同圓柱形水雷的響應(yīng)（全掃寬聲吶圖像上剪下的10 m×10 m的圖像）。3幅圖像到目標(biāo)的距離分別為43 m、80 m和130 m。

從1999 年至今，法國大西洋水下研究集團一直研究新型聲吶系統(tǒng)對掩埋目標(biāo)的探測可行性。迄今為止獵雷聲吶系統(tǒng)無法有效地對付掩埋在沉積層中的水雷（如圖2）。

圖1 側(cè)掃聲吶不同角度和距離成像結(jié)果Fig. 1 Image of side-scan sonar wath different angles and distances

目前AUV搭載的探測設(shè)備能夠?qū)﹀^雷、沉底雷較好地成像，但是由于其工作頻率高，對于掩埋雷探測效果不佳，傳統(tǒng)的側(cè)掃聲吶無法有效地探測到掩埋目標(biāo)，導(dǎo)致無法進行目標(biāo)自動定位和識別，需要研發(fā)新型探測設(shè)備和目標(biāo)識別算法。

圖2 掩埋在淤泥中達2/3的圓柱體Fig. 2 2/3 cylinder covered by silt

2 水雷探測識別方法

傳統(tǒng)獵雷方法包括3個階段：探測、識別和滅雷。

1）側(cè)掃或前視聲吶探測到目標(biāo)回波后，采用識別軟件判斷其為可疑目標(biāo)；

2）如果判斷可疑目標(biāo)，則利用 ROV 或蛙人進行進一步視覺識別；

3）如果確定目標(biāo)為水雷，立即進行滅雷。

傳統(tǒng)探測方法需要不同的探測設(shè)備和人在回路，存在工作流程復(fù)雜、探測效率低、安全性差等問題，發(fā)展具有水雷目標(biāo)自主探測識別處理功能的AUV設(shè)備是反水雷行業(yè)后續(xù)發(fā)展的關(guān)鍵，其中水雷信息采集和后處理是其關(guān)鍵技術(shù)，直接影響其性能優(yōu)劣。雖然目前聲吶成像設(shè)備、電視設(shè)備等可以遠距離和近距離探測水雷目標(biāo)，但是其只能在形狀上判斷其為類似水雷目標(biāo)，需要研究基于爆炸物探測能力的設(shè)備，從根本上判斷探測物體是否為水雷。AUV水雷檢測識別主要包括2部分內(nèi)容：水雷檢測傳感器和信息處理算法。本文主要簡述聲吶圖像處理算法。

聲吶圖像由目標(biāo)高亮區(qū)、陰影區(qū)和背景區(qū)3部分組成。目標(biāo)高亮區(qū)主要由聲波在目標(biāo)表面反射造成的區(qū)域，而陰影區(qū)是由于目標(biāo)物的遮擋使得聲波難以到達造成的區(qū)域。水下目標(biāo)檢測的目的就是要從復(fù)雜背景區(qū)中提取出目標(biāo)高亮區(qū)和陰影區(qū)，并盡量保留圖像原始信息。

基于傳統(tǒng)技術(shù)的聲吶圖像檢測識別算法主要包括如圖3。

圖3 聲吶圖像目標(biāo)識別流程Fig. 3 Process of target identification by sonar images

傳統(tǒng)算法為在采集的圖像中分割出目標(biāo)，針對分割后的目標(biāo)完成特征提取和識別。

雖然圖像分割技術(shù)已經(jīng)被人們廣泛使用，但是針對聲吶圖像分割技術(shù)的研究還相對缺乏，主要是因為混響以及各種環(huán)境噪聲的影響，使得產(chǎn)生的圖像容易失真且圖像分辨率較低，增加圖像分割難度。

常用聲吶圖像分割算法中，文獻[6]-[11]研究了基于統(tǒng)計特性的分割算法，文獻[1]、[13]研究了基于形態(tài)學(xué)的分割方法，文獻[12]列出基于最大熵的分割，文獻[2]、[3]、[14]、[15]列出基于分形理論的分割算法，文獻[4]、[16]、[17]列出基于均值聚類技術(shù)的分割算法，文獻[5]、[18]、[19]、[20]、[21]列出基于 MRF理論的分割算法，文獻[22]-[29]列出基于邊緣的圖像分割算法等。

圖像分割完成后采用特征提取技術(shù)和建立分類器完成目標(biāo)識別。特征提取是指從目標(biāo)圖像的所有原始信息中計算并找出最有效的一組特征。文獻[30]-[32]研究聲吶圖像特征主要包含形狀、輪廓、大小、面積等幾何特征，亮度、對比度等，顏色、圖像矩、灰度直方圖等統(tǒng)計特征以及尺度不變特征。特征選取往往需要進行大量的統(tǒng)計、比對、篩選，這是目標(biāo)識別的一個難點。特征的選取和提取結(jié)果將直接決定目標(biāo)識別工作的好壞。

特征分類是利用計算得到的目標(biāo)特征，完成目標(biāo)識別，文獻[33]-[34]介紹了常用的分類器有KNN、SVM和BP網(wǎng)等。

雖然基于傳統(tǒng)方法對聲吶圖像檢測與識別進行了大量的研究，但是所有算法均處于實驗室驗證階段，無法適用 AUV在真實環(huán)境下使用。但隨著計算機硬件技術(shù)的發(fā)展和深度學(xué)習(xí)技術(shù)的崛起，深度學(xué)習(xí)技術(shù)也在不斷地應(yīng)用在聲吶圖像處理中，為水雷目標(biāo)自主檢測提供了一條新的研發(fā)思路。

基于深度學(xué)習(xí)的聲吶圖像目標(biāo)檢測識別算法流程如圖4。

圖4 深度學(xué)習(xí)目標(biāo)識別模型Fig. 4 Deep learning model for target identification

深度學(xué)習(xí)技術(shù)不需要先將圖像分割，提取圖像特征后再輸入到分類器完成目標(biāo)識別。而是直接將原始圖像輸入到深度學(xué)習(xí)模型自動完成目標(biāo)檢測網(wǎng)絡(luò)訓(xùn)練；網(wǎng)絡(luò)收斂后，具備根據(jù)輸入的原始圖像自主目標(biāo)檢測識別能力。

文獻[35]采用深度學(xué)習(xí)中遷移學(xué)習(xí)研究水下目標(biāo)識別技術(shù)（其使用約 2 000張前視聲吶圖像，含10種不同目標(biāo)，其中含有較多的水雷目標(biāo)）。通過使用其他訓(xùn)練樣本對深度學(xué)習(xí)模型進行預(yù)訓(xùn)練，然后使用較少的樣本數(shù)量（20個樣本）就可以達到90%的目標(biāo)識別成功率。這同時也充分表明了深度學(xué)習(xí)在不同聲吶圖像目標(biāo)識別方面的巨大優(yōu)勢，即只需要通過極少的樣本進行訓(xùn)練就可以用于新環(huán)境下或新目標(biāo)的識別。David P Wiliams等人的研究工作則更為充分，使用 2008-2015年在波羅的海、地中海、北海等海域采集的數(shù)萬張合成孔徑聲吶圖片作為數(shù)據(jù)集，使用深度學(xué)習(xí)技術(shù)進行圖像目標(biāo)識別，在其測試數(shù)據(jù)集上的識別成功率可達90%以上。部分訓(xùn)練采集時間、地點及數(shù)量如下：2008年，拉脫維亞，8 941張；2009年，意大利，2 858張；2010年，意大利，3 084張；2011年，意大利，8 951張。部分訓(xùn)練采集時間、地點及數(shù)量如下：2014年，意大利，6 162張；2015年，比利時，4 109張，西班牙，10 039張。總共覆蓋350 km2海底，含大量水雷疑似目標(biāo)。

3 結(jié)束語

由于水下環(huán)境復(fù)雜，聲吶圖像分辨率較低，給水雷探測識別帶來了巨大的挑戰(zhàn)。通過對基于聲吶圖像的水雷目標(biāo)檢測識別算法，包括基于圖像分割、特征提取和分類的傳統(tǒng)算法，基于深度學(xué)習(xí)智能算法的分析，為后續(xù)水雷識別算法研發(fā)提供參考，以期提高AUV目標(biāo)自主探測識別能力。

1）通過20年左右不斷發(fā)展，傳統(tǒng)聲吶圖像檢測識別算法圍繞目標(biāo)特征處理及變換算法開展了大量嘗試，并逐步在提高識別準確率和收斂速度方面取得積極進展，為當(dāng)前深度學(xué)習(xí)技術(shù)應(yīng)用于水下目標(biāo)識別奠定了良好的基礎(chǔ)。

2）相對于傳統(tǒng)聲吶圖像檢測識別算法需要進行圖像預(yù)處理，基于深度學(xué)習(xí)的目標(biāo)檢測識別算法直接對聲吶圖像開展預(yù)先訓(xùn)練，所需樣本數(shù)量更少，收斂速度更快。

3）傳統(tǒng)聲吶圖像檢測識別算法基本上可以總結(jié)為一種基于人設(shè)規(guī)則的分類算法，而基于深度學(xué)習(xí)的目標(biāo)檢測識別算法可以實現(xiàn)自主學(xué)習(xí)、自主訓(xùn)練，是未來目標(biāo)檢測識別算法重要發(fā)展方向之一，可以大大提高無人自主獵雷裝備的探測識別效率。