阅读说明：本技术 一种基于单波束声纳簇数据处理的船体识别方法 (Ship body identification method based on single-beam sonar cluster data processing ) 是由 周家海 宁文龙 唐泽林 陈庆为 李静 孙健锐 肖玉华 朱旺峰 于 2020-04-15 设计创作，主要内容包括：本发明提供了一种基于单波束声纳簇数据处理的船体识别方法,该方法包括以下步骤：1)将单波束声呐簇安装在拱形水下结构表面,排成阵列；2)通过单波束声呐簇采集声呐数据,依据声呐簇排列情况进行编号,提取单波束声呐簇数据图集；3)对单波束声呐簇数据图集预处理,将球面数据转换为平面数据,得到二维声呐数据图集；4)剔除二维声呐数据图集中的水面数据,减少水面数据点对目标船体识别的影响；5)采集大量正常船体的单波束声纳簇数据作为数据训练集和数据验证集,使用SqueezeNet网络作为船体识别模型网络对数据训练集进行训练,得到船体识别模型。本发明提供一种通过对单波束声纳簇数据进行深度神经网络提取数据特征,船体识别率高。(The invention provides a ship hull identification method based on single-beam sonar cluster data processing, which comprises the following steps of: 1) the single-beam sonar cluster is arranged on the surface of an arched underwater structure and is arrayed; 2) acquiring sonar data through a single-beam sonar cluster, numbering according to the arrangement condition of the sonar cluster, and extracting a single-beam sonar cluster data atlas; 3) preprocessing a single-beam sonar cluster data atlas, converting spherical data into plane data, and obtaining a two-dimensional sonar data atlas; 4) removing water surface data in a two-dimensional sonar data map set, and reducing the influence of the water surface data points on the identification of a target ship body; 5) and acquiring a large amount of single-beam sonar cluster data of a normal ship body as a data training set and a data verification set, and training the data training set by using a SqueezeNet network as a ship body identification model network to obtain a ship body identification model. The invention provides a ship hull recognition method which is high in recognition rate of a ship hull by carrying out deep neural network extraction on single-beam sonar cluster data.)

一种基于单波束声纳簇数据处理的船体识别方法

技术领域

本发明涉深度神经网络领域，尤其涉及一种基于单波束声纳簇数据处理的船体识别 方法。

背景技术

声呐是进行水下探测、检测的重要设备之一。声呐设备由于受水环境因素影响小、声学性能可靠等优点，成为发展水下目标探测、检测行业的重点研究对象。近年来声呐设备被逐步应用到船舶检测行业，通过在水下结构或者工作船舶上安装声呐对过往船体进行安全 检测。如何通过声呐数据识别船体成为首要需被解决的问题。

声呐设备主要分为多波束声呐和单波束声呐两大类。使用多波束声呐进行船体探测、 检测时，能够得到丰富的声呐图像，但是由于多波束声呐需要在同一时间处理超大量的声波 数据，大大限制了多波束声呐图像的精度，从而使探测、检测工作只能定性，而不能定量。 这对于安全、反恐等高精度检测作业来说，多波束声呐的性能是远远不够的。相对于多波束 声呐来说，单波束声呐具有更高的精度和经济的造价。故基于基于单波束声纳簇数据处理与 深度神经网络学习相结合的船体识别方法具有重要的研究价值。

发明内容

本发明主要针对现有技术领域中的热点问题，提供一种基于单波束声纳簇数据处理 的船体识别方法。

本发明解决相应技术问题的技术方案是：一种基于单波束声纳簇数据处理的船体识 别方法，包括以下步骤：

1)将单波束声呐簇安装在拱形水下结构表面，排成阵列；

2)通过单波束声呐簇采集声呐数据，依据声呐簇排列情况进行编号，提取单波束声 呐簇数据图集；

3)对单波束声呐簇数据图集预处理，将球面数据转换为平面数据，得到二维声呐数 据图集；

4)剔除二维声呐数据图集中的水面数据，减少水面数据点对目标船体识别的影响；

5)采集大量正常船体的单波束声纳簇数据作为数据训练集和数据验证集，使用SqueezeNet网络作为船体识别模型网络对数据集进行训练，得到船体识别模型。

所述步骤1)中将单波束声呐簇安装在拱形水下结构表面，排成阵列具体包括：

单波束声呐簇安装在拱面形水下结构上，任意一台的单波束声呐的安装曲率角θ_n， 轴向安装距离l_n；

单波束声纳簇每列沿径向布置的个数为H，单波束声纳簇沿轴向布置的列数为W。

所述步骤2)中通过单波束声呐簇采集声呐数据，依据声呐簇排列情况进行编号，提取单波束声呐簇数据图集具体包括：单波束声呐簇采集更新率为15Hz，波束角5°，测量范围20m，精度1mm±1％量程，单波束声呐的测量数据为水深值depth和回波强度intensity；

依据行列顺序对单波束声呐依次编号，从1至n。

所述步骤3)对单波束声呐簇数据图集预处理，将球面数据转换为平面数据，得到二维声呐数据图集具体包括：

将三维空间中任意一点的位置(θ_n，l_n)投射到了二维坐标系下的一个点的位置(i_n，j_n)，投射关系如下：

i_n＝l_n，j_n＝depth_n·sin θ_n

得到一个尺寸为(H，W，C)单波束声呐簇数据张量V，式中C表示波束声纳簇数据的特征数量，这里为4，4个特征分别为(θ_n，l_n，depth_n，intensity_n)。

所述步骤4)剔除二维声呐数据图集中的水面数据，减少水面数据点对目标船体识别的影响具体包括：

5.1)抽取步骤4中的所得张量V中的表示声纳水深值的子张量，并将其转换为直角坐标系下的水深值集合，如下：

该集合中数据点数量为n；

5.2)引入数集最低高度点的平均值LPR_depth，如下：

式中num_LPR表示选取LPR_depth的数据点数量，取num_LPR＝0.5n；

选取depth_n＞LPR_depth+Th_seed，声纳数据点输入水面点云P_sow，式中Th_seed表示选取水面估计数据点的阈值，P_sow表示水面估计数据点集，选取depth_n≤LPR_depth+Th_seed的声纳数据点 归入非水面点云P_nsow；

5.3)建立描述水面估计模型，如下

n^Tx＝-d

其中n表示水面估计模型的法向量，d表示水面估计模型的偏移量x＝[i，j，depth]^T， x∈P_sow；

引入水面估计数据点集P_sow的协方差矩阵，如下：

式中

是所有数据点的均值；

通过对协方差矩阵C进行奇异值分解求解垂直于水面的法向量n，代入

直接求得水 面估计模型的偏移量d；

5.4)求解所有水面数据点，得到步骤3)中的水面估计模型以后，计算水深集合 D＝(i，j，depth)，其中每一个点到该平面的正交投影的距离depth_normal_n，当 depth_normal_n＞Th_dis时，该数据点属于水面，反之则为非水面点，式中Th_dis表示平面距离阈 值；

5.5)依据步骤5.4)中获得水面点数据位置，剔除张量V中相应的声纳点，得到V′。

所述步骤5)中采集大量正常船体的单波束声纳簇数据作为数据训练集和数据验证 集，使用SqueezeNet网络作为船体识别模型网络对数据集进行训练，得到船体识别模型具体 包括：

6.1)采集大量船体的单波束声呐簇数据进行步骤4、5，得到数据训练集S和数据验证集S′，将每幅单波束声呐簇数据打上标签，标识是否是船体数据；

6.2)设置SqueezeNet网络CNN模块的固有参数，设置firemodule模块挤压层的通道数为输入张量深度尺寸的1/4，拓展层的通道数为输入张量深度尺寸的1/2；

设置firedeconv模块挤压层的通道数为输入张量深度尺寸的1/4，反卷积下采样层 的通道系数为2，拓展层的通道数为输入张量深度尺寸的1/2；

输入的张量的高度不等于其宽度，通过设置最大池化层层数将输入张量的高度和宽 度调整至一致；

6.3)采用CRF层消除边界模糊的现象，将CNN模块的输出结果作为CRF模块的输入；

根据单波束声呐簇数据张量V′计算两个高斯核，高斯核公式如下：

式中P为数据点在球面的曲率角和轴向安装距离，w₁，w₂，

为阈值；

通过计算高斯核聚合邻域点的概率，得到概率分布权重矩阵；(高斯核衡量了两点之 间特征的差异，两点之间差异越大，高斯核的值就越小，两点之间的相关性也就越小)

通过1x1大小的卷积核gcov，去微调每一个点的概率分布权重，使概率分布权重达到最大；

6.4)将数据训练集S导入SqueezeNet网络进行训练，得到CNN模块网络参数、CRF模块卷积核gcov和基于单波束声呐簇数据的船体识别模型；

6.5)通过数据验证集S′对6.4)中得到的船体识别模型和相关参数进行验证，识别正确率大于等于0.95时停止训练，否则转入步骤6.4)。

附图说明

下面将结合附图对本发明作进一步说明，附图中：

图1是本发明基于单波束声纳簇数据处理的船体识别方法的流程图；

图2是单波束声呐簇的安装立体图；

图3是本发明所设计的单波束声呐簇数据图集由球面数据转换为平面数据示意图；

图4是本发明所使用的SqueezeNet网络参数设置图。

具体实施方式

为了使本发明的技术方案、解决问题思路等更加清晰，以下结合使用实例对本发明 进行进一步详细说明。应当理解，此处所描述的具体使用实例仅用来解释本发明，并不用于 限定本发明。

如图1所示，一种基于单波束声纳簇数据处理的船体识别方法包括以下步骤：

步骤STEP1，将单波束声呐簇安装在拱形水下结构表面，排成阵列，如图2所示，排成阵列，具体包括：

单波束声呐簇安装在拱面形水下结构上，任意一台的单波束声呐的安装曲率角θ_n， 轴向安装距离l_n；

单波束声纳簇每列沿径向布置的个数为H，单波束声纳簇沿轴向布置的列数为W。

步骤STEP2，通过单波束声呐簇采集声呐数据，依据声呐簇排列情况进行编号，提取单波束声呐簇数据图集，具体包括：

单波束声呐簇采集更新率为15Hz，波束角5°，测量范围20m，精度1mm±1％量程，单波束声呐的测量数据为水深值depth和回波强度intensity；

依据行列顺序对单波束声呐依次编号，从1至n。

步骤STEP3，对单波束声呐簇数据图集预处理，将球面数据转换为平面数据，得到二维声呐数据图集，如图3所示，具体包括：

对单波束声呐簇数据进行平面投影，从点云数据稀疏无规律的3D数据点阵，得到到 一个稠密的、二维的数据矩阵；

将三维空间中任意一点的位置(θ_n，l_n)投射到了二维坐标系下的一个点的位置(i_n，j_n)，如图3所示，投射关系如下：

i_n＝l_n，j_n＝depth_n·sin θ_n

得到一个尺寸为(H，W，C)单波束声呐簇数据张量V，式中C表示波束声纳簇数据的特征数量，这里为4，4个特征分别为(θ_n，l_n，depth_n，intensity_n)。

步骤STEP4，剔除二维声呐数据图集中的水面数据，减少水面数据点对目标船体识别的影响，具体包括：

a)抽取张量V中的表示声纳水深值的子张量，并将其转换为直角坐标系下的水深值 集合，如下：

该集合中数据点数量为n；

b)引入数集最低高度点的平均值LPR_depth，如下：

式中num_LPR表示选取LPR_depth的数据点数量，取num_LPR＝0.5n；

选取depth_n＞LPR_depth+Th_seed，声纳数据点输入水面点云P_sow，式中Th_seed表示选取水面估计数据点的阈值，P_sow表示水面估计数据点集，选取depth_n≤LPR_depth+Th_seed的声纳数据点 归入非水面点云P_nsow；

c)建立描述水面估计模型，如下

n^Tx＝-d

其中n表示水面估计模型的法向量，d表示水面估计模型的偏移量x＝[i，j，depth]^T， x∈P_sow；

引入水面估计数据点集P_sow的协方差矩阵，如下：

式中

是所有数据点的均值；

通过对协方差矩阵C进行奇异值分解求解垂直于水面的法向量n，代入

直接求得水 面估计模型的偏移量d；

d)求解所有水面数据点，得到水面估计模型以后，计算水深集合D＝(i，j，depth)，其中每一个点到该平面的正交投影的距离depth_normal_n，当depth_normal_n＞Th_dis时，该数据 点属于水面，反之则为非水面点，式中Th_dis表示平面距离阈值；

e)依据步骤d)中获得水面点数据位置，剔除张量V中相应的声纳点，得到V′。

步骤STEP5，采集大量正常船体的单波束声纳簇数据作为数据训练集和数据验证集， 使用SqueezeNet网络作为船体识别模型网络对数据集进行训练，得到船体识别模型，具体包 括：

a)采集大量船体的单波束声呐簇数据进行步骤4、5，得到数据训练集S和数据验证集S′，将每幅单波束声呐簇数据打上标签，标识是否是船体数据；

b)设置SqueezeNet网络CNN模块的固有参数，如图4所示，设置firemodule模块 挤压层的通道数为输入张量深度尺寸的1/4，拓展层的通道数为输入张量深度尺寸的1/2；

设置firedeconv模块挤压层的通道数为输入张量深度尺寸的1/4，反卷积下采样层 的通道系数为2，拓展层的通道数为输入张量深度尺寸的1/2；

输入的张量的高度不等于其宽度，通过设置最大池化层层数将输入张量的高度和宽 度调整至一致；

c)采用CRF层消除边界模糊的现象，将CNN模块的输出结果作为CRF模块的输入；

根据单波束声呐簇数据张量V′计算两个高斯核，高斯核公式如下：

式中P为数据点在球面的曲率角和轴向安装距离，w₁，

w₂，

为阈值；

通过计算高斯核聚合邻域点的概率，得到概率分布权重矩阵；

高斯核衡量了两点之间特征的差异，两点之间差异越大，高斯核的值就越小，两点之间的相关性也就越小；

通过1x1大小的卷积核gcov，去微调每一个点的概率分布权重，使概率分布权重达到最大；

d)将数据训练集S导入SqueezeNet网络进行训练，得到CNN模块网络参数、CRF 模块卷积核gcov和基于单波束声呐簇数据的船体识别模型；

e)通过数据验证集S′对6.4)中得到的船体识别模型和相关参数进行验证，识别正确率大于等于0.95时停止训练，否则转入步骤d)。