无人水下航行器声呐装备现状与发展趋势 无人水下潜航器（UUV）最早出现于20世纪60年代。在发展初期，UUV主要用于深水勘探、沉船打捞、水下电缆铺设及维修等民用领域，后逐步扩展应用于水下声源探测、协助潜艇深水避雷、港口战术侦察等军事领域。近十几年来，随着平台、推进器、导航、控制系统以及传感器技术的发展，加上现代战争追求人员零伤亡的理念，UUV的军事应用得到高度重视，其在水下侦察、水下通信和反潜、反水雷作战、信息作战等领域的应用得到了空前发展。 美国国防部于2007～2013年间前后发布了4版《无人系统（一体化）路线图》，其中针对UUV的4个级别将任务按优先级扩充为17项，如表1所示：
美海军于2000年和2004年分别发布两版《海军无人水下潜航器总体主规划》，将UUV（不分级别）的任务按优先顺序归纳为9类：①情报/监视/侦察（ISR）；②水雷对抗（MCM）；③反潜战（ASW）；④检查/识别；⑤海洋调查； ⑥通信/导航网络节点（CN3）；⑦载荷投送；⑧信息作战； ⑨时敏打击。 不论是《海军无人水下潜航器总体主规划》，还是《无人系统（一体化）路线图》，这几版文件中对于所有级别的
UUV，情报/监视/侦察（ISR）、检查/识别和水雷对抗（MCM）这3项任务的排序都十分靠前，这也印证了在当今复杂国际环境下美国海军对于这3项UUV任务执行的迫切需求。 UUV执行各项任务无一不需要声呐的配合，尤其是对于ISR、检查/识别和MCM，声呐性能的优劣，往往是任务完成度的决定性因素。根据功能的不同，UUV声呐装备主要分为三大类：通信声呐、导航声呐和探测声呐，如图1所示。 通信声呐主要用于UUV与协同行动的其他UUV、母船（艇）或通信浮标之间的信息链接；导航声呐为UUV的安全航行和执行作业任务提供其位置、航向、深度、速度和姿态等信息；探测声呐主要用于警戒、探测、识别水中或沉底目标信息，对水下地形、地貌、地质进行勘察和测绘。承担不
无人水下潜航器（UUV）最早出现于20世纪60年代。在发展初期，UUV主要用于深水勘探、沉船打捞、水下电缆铺设及维修等民用领域，后逐步扩展应用于水下声源探测、协助潜艇深水避雷、港口战术侦察等军事领域。近十几年来，随着平台、推进器、导航、控制系统以及传感器技术的发展，加上现代战争追求人员零伤亡的理念，UUV的军事应用得到高度重视，其在水下侦察、水下通信和反潜、反水雷作战、信息作战等领域的应用得到了空前发展。 美国国防部于2007～2013年间前后发布了4版《无人系统（一体化）路线图》，其中针对UUV的4个级别将任务按优先级扩充为17项，如表1所示。 表1 不同级别UUV任务需求优先级
美海军于2000年和2004年分别发布两版《海军无人水下潜航器总体主规划》，将UUV（不分级别）的任务按优先顺序归纳为9类：①情报/监视/侦察（ISR）；②水雷对抗（MCM）；③反潜战（ASW）；④检查/识别；⑤海洋调查；⑥通信/导航网络节点（CN3）；⑦载荷投送；⑧信息作战；⑨时敏打击。
不论是《海军无人水下潜航器总体主规划》，还是《无人系统（一体化）路线图》，这几版文件中对于所有级别的UUV，情报/监视/侦察（ISR）、检查/识别和水雷对抗（MCM）这3项任务的排序都十分靠前，这也印证了在当今复杂国际环境下美国海军对于这3项UUV任务执行的迫切需求。 UUV执行各项任务无一不需要声呐的配合，尤其是对于ISR、检查/识别和MCM，声呐性能的优劣，往往是任务完成度的决定性因素。根据功能的不同，UUV声呐装备主要分为三大类：通信声呐、导航声呐和探测声呐，如图1所示。 图1 UUV主要声呐装备
声纳图像水下管线检测与跟踪技术研究 几十年以来,为更充分的利用海洋资源,人类在海底铺设了大量的能源输送管道和信息通信线缆。海底管线的正常工作,是海上油气与跨国通信的重要保障。 由于海底施工、自然腐蚀和其他种种原因,海底管线易破损甚至断裂,造成经济和环境上的重大损失。因此,需要水下机器人对海底管线进行定期跟踪检查。 利用侧扫声纳采集海底信息,通过图像处理算法检测出管线的位置和走向,并引导水下机器人对管线跟踪是本文的主要研究内容,具体如下:(1)研究侧扫声纳图像管线检测系统与图像预处理。首先,介绍管线检测与跟踪系统结构;其次,分析侧扫声纳成像原理与影响声纳图像质量的因素;然后,介绍水下管线系统模型;最后,研究均值滤波、中值滤波、高斯滤波去除声纳图像噪声的方法。 实验结果表明,高斯滤波对声纳图像滤波的效果最佳。(2)研究二维平均恒虚警率的管线检测方法。 首先,介绍在高斯噪声条件下的二维平均恒虚警率算法,在计算参考单元平均值时,需要反复提取像素灰度值,从而耗费大量的计算时间,本文研究采用积分矩阵加速计算;其次,采取形态学方法平滑管线边缘,并根据二值图连通区域离心率指标去除虚警;最后,通过Hough变换检测管线边缘,拟合得出管线的位置与走向。实验结果表明,该方法能有效检测出声纳图像中的管线目标。 (3)提出矩形和十字形检测结构的二维平均恒虚警率算法。首先,根据管线的形状特征,研究矩形检测结构。 相对于正方形检测结构,矩形检测结构在检测管线目标时具有较低的阈值,从而有效提取图像中的管线。十字形检测结构在矩形检测结构基础上,利用左右方向与上下方向参考单元灰度平均值之比,改善声纳图像野值点造成的管线像素
(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910277579.9 (22)申请日 2019.04.08 (71)申请人 武汉理工大学 地址 430070 湖北省武汉市洪山区珞狮路 122号 (72)发明人 刘文 卢煜旭 张瑞 孙睿涵 吴芷璇 何俊 马全党 (74)专利代理机构 湖北武汉永嘉专利代理有限 公司 42102 代理人 李丹 (51)Int.Cl. G06T 5/00(2006.01) G06T 7/45(2017.01) (54)发明名称 一种水下声纳图像噪声消除方法 (57)摘要 本发明公开了一种水下声纳图像噪声消除 方法，包括以下步骤：1)采取不同环境下的色彩 清晰的彩色图像，然后将其转变成灰度图；2)将 步骤1)中采集的图象进行图像处理操作转换成 为设定数量数据集，作为训练数据；3)将得到的 数据集进行对数化处理；4)将处理完毕的数据集 运用基于残差卷积神经网络框架训练学习；5)得 到训练参数，根据得到的残差卷积神经网络对测 试图像进行去噪处理，得到噪声图像，然后根据 噪声图像和原始测试图像得到去噪后的图像。本 发明采用CNN对对数域的散斑噪声进行估计，采 用结构相似性度量作为损失函数，在散斑噪声抑 制过程中保持更多的几何结构，保证高质量的去 噪检测性能。权利要求书1页 说明书5页 附图1页CN 110335202 A 2019.10.15 C N 110335202 A
权 利 要 求 书1/1页CN 110335202 A 1.一种水下声纳图像噪声消除方法，其特征在于，包括以下步骤： 1)采取不同环境下的色彩清晰的彩色图像，然后将其转变成灰度图； 2)将步骤1)中采集的图象进行图像处理操作转换成为设定数量数据集，作为训练数据；所述图像处理操作包括上下翻转、左右翻转、向左或向右旋转、放大、缩小、切割中的一种或几种的组合； 3)将得到的数据集进行对数化处理； 4)将处理完毕的数据集运用基于残差卷积神经网络框架训练学习； 5)得到训练参数，根据得到的残差卷积神经网络对测试图像进行去噪处理，得到噪声图像，然后根据噪声图像和原始测试图像得到去噪后的图像。 2.根据权利要求1所述的水下声纳图像噪声消除方法，其特征在于，所述步骤4)中基于残差卷积神经网络框架训练学习过程如下： 1)设置训练学习参数，为残差卷积神经网络进行权值的初始化；所述参数包括批训练量、学习率、训练次数； 2)输入数据经过卷积层、下采样层、全连接层的向前传播得到输出值；根据损失函数求出残差卷积神经网络的输出值与目标值之间的误差； 3)当误差大于期望值时，将误差传回网络中，依次求得全连接层，下采样层，卷积层的误差；各层的误差可以理解为对于网络的总误差，网络应承担多少； 4)误差大于期望值时，根据求得误差进行权值更新； 5)当误差等于或小于期望值时，结束训练。 3.根据权利要求2所述的水下声纳图像噪声消除方法，其特征在于，所述步骤2)中采用的损失函数为SSIM损失函数。 4.根据权利要求1所述的水下声纳图像噪声消除方法，其特征在于，所述步骤4)中残差卷积神经网络的结构如下，包括： 1)输入层：输入层为第一层，输入为35x35xc的图像，经过64个3x3x3的卷积核卷积，输出为64张35x35的特征图，即35x35x64的图像； 2)卷积层：卷积层共16层，每层有64个3x3x64的卷积核，每层的输入输出都为35x35x64的图像； 3)输出层：输出层通过1个3x3x64的卷积核，重建1维图像，作为输出。 2
一种侧扫声纳图像的无缝拼接方法 发表时间：2019-07-30T16:14:56.560Z 来源：《防护工程》2019年8期作者：胡鑫玉程彬彬徐从营[导读] 本文以某湖泊实测的侧扫声纳数据为例，研究侧扫声纳图像的无缝拼接方法，对其中的关键步骤进行详细的阐述。 中国船舶重工集团有限公司第七一〇研究所湖北宜昌 443003 摘要：本文以某湖泊实测的侧扫声纳数据为例，研究侧扫声纳图像的无缝拼接方法，对其中的关键步骤进行详细的阐述。本文先对图像进行校正，通过研究地理编码的拼接方法，提出基于共视地形的图像拼接处理，生成了大区域、无缝拼接的侧扫声纳图像。实验验证了该方法的有效性和可行性，实验结果较理想。 关键词：侧扫声纳系统；无缝拼接；图像校正；地理编码；共视地形 1 引言 高分辨率声纳图像对水底地形构建、水下小目标探测及底质判别都有着重要作用，受尺寸影响，多波束图像分辨率有限，而侧扫声纳就以其高精度、高效率、高分辨率的特点成为获取水下图像的主要设备。为获得水下大范围地形地貌，需要对侧扫声纳图像进行拼接和镶嵌。 原始侧扫声纳瀑布图按时间序列堆叠，没有结合地理信息；由于航行器姿态、风浪、海流等因素影响，侧扫声纳记录位置信息时存在一定误差；声波强度随距离加大产生的扩展损失和吸收损失使图像存在灰度畸变；而受航速和航向变化的影响，图像也存在几何畸变，给图像的无缝拼接带来困难。 2 声纳图像拼接流程 侧扫声纳图像的无缝拼接主要分为以下步骤：①原始数据的读取：提取出原始数据和辅助信息；②斜距改正：利用高度信息消除由于声波波束倾斜造成的数据横移，削弱图像横向畸变；③图像增强：调整机器自动增益后的灰度不均衡；④航速校正：消除由于航行体速度变化引起的图像纵向畸变；⑤地理编码与重采样：将瀑布图映射到具有地理信息的图像中；⑥图像拼接：将多条侧扫条带图像拼接成大比例高精度的图像。 3 研究方法 3.1 侧扫声纳数据读取 本文利用Edgetech公司的侧扫声纳扫测某湖泊，对原始数据进行处理。通过检测文本文件头，得到数据类型和有效数据长度，对文件头后的数据及侧扫声纳回波强度信息进行提取，得到原始数据和辅助信息（包含航行体的位置、姿态、速度和时间等）。 3.2 斜距改正 其中，代表采样点到声呐的平面距离，为可调参数。
第38卷 第2期2009年4月 船海工程SH IP &OCEA N ENG IN EERI NG V ol.38 N o.2 A pr.2009 Feature Ex traction of Ship Weld Flaw Image Based on H u p s M oment Invariant GAO Lan,ZHAO Yong -zhu,FAN Sh-i dong,LUO Wen -feng (Schoo l o f Ener gy and Po wer Eng ineer ing,Wuhan U niv ersity of T echnolog y,W uhan 430063,China) Abstract:A metho d o f flaw feature ex tractio n of ship w eld imag e based o n Hu p s mo ment invar iant w as intro duced.Ex periment show ed that H u p s mo ment invar iants picked up sat isfy geomet ric invar iance after zo om,mot ion and eddy o f image,with st rong ant-i no ise perfo rmance.T o the complex ship weld imag e flaw ,mo ment inva riants can sho w the featur e informat ion of image effectively,on a cer tain ext ent,it can be an impor tant g ist o f flaw identificatio n. Key words:moment invariants;featur e extr action;weld imag e;sample bases 收稿日期:2008-09-02修回日期:2008-11-17 作者简介:高延增(1982-),男,博士生。 研究方向:水下机器人的三维声视觉系统人工智能 技术。 E -mail:gao yangzeng @fox https://www.doczj.com/doc/8e19113765.html, DOI:10.3963/j.issn.1671-7953.2009.02.028 用于水下机器人的主动侧扫声呐图像预处理技术 高延增,叶家玮,陈爱国 (华南理工大学土木与交通学院,广州510641) 摘 要:分析了侧扫声呐接收机的噪声来源:自噪声和水体噪声,概括了它们影响声呐接收机的辐射路径;求出回波噪声的数字特征,在此基础上给出单扫描角度上声呐图像数据的递归最小二乘滤波算法,可提高水下机器人路径规划算法的实时性。使用超小型远程操纵机器人(RO V )搭载SeaSpr ite 声呐在船池中实验,对比给出预处理前后的声呐回波数据的还原图像,显示效果明显改善。 关键词:侧扫声呐;噪声模型;递归最小二乘滤波;图像声呐 中图分类号:U 666.7 文献标志码:A 文章编号:1671-7953(2009)02-0097-04 光学成像系统易受光线、水质混浊度、流水中气泡等因素影响,而声呐设备能克服这些限制,在海底矿物质勘探、目标探测、海洋工程等方面的应用越来越广泛,为水下机器人作业、海洋工程、海洋测绘等提供第一手数据。在自主水下机器人(AUV )导航的应用中,可将声呐图像中出现的障碍物分成独立的、星群状的和过大的三类,然后利用特征匹配归类声呐图像中的障碍物[1] ,文献[2]提出一种声呐图像中密集障碍物的避让方法。 但声呐图像存在图像背景复杂、噪声污染严重等缺点,而大多图像处理算法又对图像噪声敏感,所以有必要对声呐图像进行预处理。声呐图 像预处理算法应能够:改善声呐图像显示效果;纠正声呐图像中的波束模式异常;平抑表面反射的 影响;自动调节声呐数据获取过程中由软、硬件增益改变引起的像素点亮度变化。文献[3]介绍了使用扫描声呐进行目标跟踪、识别时的图像预处理方法,其中用到小波技术,文献[4]中还将其与Fourier 变换进行比较,它的作用对象是冰下侧扫声呐图像。 但前面提到的预处理方法都是针对整幅声呐图像的,限制了侧扫声呐图像的处理时间,影响水下机器人的决策速度。本文将影响声呐接收机的噪声分为自噪声和水体噪声,分析了噪声对声呐接收机的辐射路径,根据瑞利法则给出噪声的条件密度模型;在此基础上对单扫描角度的声呐数据进行递归最小二乘滤波后还原为声呐图像,最后将各扫描角度上的图像镶嵌组成整幅图像,而在镶嵌的同时将单扫描角度图像实时传给水下机器人路径规划的决策模块,保证了路径选择算法的实时性。 97