[发明专利]一种基于CNN的水下目标声呐探测方法

说明书

本发明公开了一种基于CNN的水下目标声呐探测方法，具体包括以下步骤：S1：通过主动声呐技术对水下目标进行360°声呐数据采集，得到原始声呐数据；S2：对所述原始声呐数据进行预处理，得到声呐图像；S3：对所述声呐图像进行扩充，得到声呐图像数据集；并将所述声呐图像数据集划分为训练集和测试集；S4：用所述训练集对CNN网络模型进行训练；S5：将所述测试集输入到训练完成后的CNN模型中进行测试，得到检测识别结果。本发明采用单层卷积层的卷积神经网络，训练模型时使用非线性激励函数Sigmoid，而实际测试时替换成Softplus，在简化训练的基础下更好的显示检测目标信号强度。

技术领域

本发明涉及水下目标识别与人工智能交叉的技术领域，特别是涉及一种基于CNN的水下目标声呐探测方法。

背景技术

声呐是一种通过发射声波之后又接收声波的工作方法，常常被用来完成在水下进行信息传输工作和实现水下目标的探测等任务。近几年，国内外采用水下目标识别技术的应用和工具层出不穷。例如，在军事领域就有使用目标检测技术实现对鱼雷和潜艇等水下目标的识别。由此可见，水下目标检测与识别现在已经成为世界各个国家在海防领域以及工业领域的一个研究热点。

而人工神经网络又是近年来在人工智能领域兴起的一个研究热点。随着国内外研究工作的不断深入，目前人工神经网络已经在各个领域取得了一定的进展。其中，作为人工神经网络分支之一的卷积神经网络CNN(Convolution Nenural Network)近年来发展尤为迅速。由于基于传统的中值滤波、均值滤波等图像处理方法的目标探测，其准确率和探测速率并不高。

因此，如何在基于CNN的基础上，寻找一种高效和高准确率的水下目标声呐探测方法成为研究人员关注的问题。

发明内容

为了解决上述技术问题，本发明提供一种基于CNN的水下目标声呐探测方法，潜水艇首先通过主动声呐技术在水下采集360°声呐图像，然后将卷积神经消除由于主动声呐技术原理不可避免产生的声呐图像旁瓣效应，对声呐图像进行进一步的图像增强和特征提取，从而能够简便且高效的对其他船只进行目标检测与识别。

为实现上述目的，本发明提供一种基于CNN的水下目标声呐探测方法，具体包括以下步骤：

S1：通过主动声呐技术对水下目标进行360°声呐数据采集，得到原始声呐数据；

S2：对所述原始声呐数据进行预处理，得到声呐图像；

S3：对所述声呐图像进行扩充，得到声呐图像数据集；并将所述声呐图像数据集划分为训练集和测试集；

S4：用所述训练集对CNN网络模型进行训练；

S5：将所述测试集输入到训练完成后的CNN模型中进行测试，得到检测识别结果。

优选地，所述步骤S3具体为：

S31：对所述声呐图像进行数据增强处理，得到声呐图像数据集；

S32：将所述声呐图像数据集按照7:3的比例划分为训练集和测试集。

优选地，所述数据增强处理包括：缩放、镜像和逆时针旋转90°。

优选地，所述步骤S4中的CNN网络模型包括：一个输入层、一个隐藏层和一个输出层。

所述隐藏层包括一个卷积层和一个非线性激活层。

优选地，所述非线性激活层采用的是非线性激励函数Sigmoid函数。

优选地，所述卷积层的卷积核数量为3，大小为101×31，步长为1。

优选地，所述S4中训练的方法具体为：