基于深度学习的声纳图像目标检测与数据扩充方法研究.pdf

基于深度学习的声纳图像目标检测与数据扩充方法研究

摘要

声纳是声波作为信息载体的设备的统称，是完成海洋环境中目标定位、检测、跟踪

和识别的重要工具。近年来随着水下声成像探测技术的发展，使用声纳图像进行水下目

标检测成为一种关键手段。早期的声纳图像目标检测技术依赖人工经验和专家监督，相

当耗费时间和资源。使用人工智能的手段跟踪检测水下声学信号，利用机器从声纳图像

中提取特征并进行目标检测能够极大地提升声纳图像目标检测领域的技术水平。本文根

据声纳图像特点，分别使用机器学习和深度学习的方法对声纳图像进行目标检测，并针

对声纳图像存在的样本匮乏和样本分布不均的问题，提出了一种生成对抗网络结构，以

实现声纳图像的生成。具体研究内容如下：

(1)使用人工特征提取与机器学习结合的方法进行声纳图像目标检测。分别对声纳

图像进行去噪、灰度校正、特征提取以及结合滑动窗口的SVM目标检测。根据实验结

果分析该方法的优点与不足。

(2)使用基于YOLOv3和迁移学习算法进行声纳图像的目标检测。分析YOLOv3的

工作原理和网络结构，引入迁移学习方法增加模型的泛化能力，提升目标检测精度。实

验结果表明使用YOLOv3的平均检测精度为0.799。

(3)针对声纳图像存在的样本匮乏和样本分布不均的问题，提出一种改进的

DCGAN网络结构对声纳图像进行数据增强，该网络可以直接将输入的噪声转化为生成

的声纳图像。对比原始GAN、DCGAN以及改进的DCGAN的网络结构并进行实验，证

明改进的DCGAN能够生成更高质量、更高分辨率的声纳图像。使用改进的DCGAN生

成的声纳图像作为扩充数据集训练YOLOv3检测模型，可以使模型的平均检测精度提

升至0.841。

关键词：声纳图像；目标检测；数据扩充；YOLOv3；生成对抗网络

基于深度学习的声纳图像目标检测与数据扩充方法研究

ABSTRACT

Sonarisageneraltermfordevicesthatusesoundwavesasaninformationcarrierandis

animportanttoolforlocating,detecting,tracking,andidentifyingtargetsinthemarine

environment.Inrecentyears,withthedevelopmentofunderwateracousticimagingdetection

technology,usingsonarimagestodetectunderwatertargetshasbecomeakeymeans.Early

sonarimagetargetdetectiontechnologyreliedonmanualexperienceandexpertsupervision,

whichwasquitetime-consumingandresource-intensive.Usingartificialintelligencetotrack

anddetectunderwateracousticsignalsandusingmachinestoextractfeaturesfromsonar

imagesandperformtargetdetectioncangreatlyimprovethetechnicallevelofthesonarimage

targetdetectionfield.Thisarticleusesmachinelearninganddeeplearningmethodstodetect

targetsinsonarimagesbasedontheircharacteristics.Inresponsetotheproblemsofsample

scarcityandunevendis