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，一直是水下目標探測的主要手段。由于水雷等目標靜止或在水下微動，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，導(dǎo)致無法進行目標自動定位和識別，需要研發(fā)新型探測設(shè)備和目標識別算法。

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回波后，采用識別軟件判斷其為可疑目標；

2）如果判斷可疑目標，則利用 ROV 或蛙人進行進一步視覺識別；

3）如果確定目標為水雷，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，但是其只能在形狀上判斷其為類似水雷目標，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。

聲吶圖像由目標高亮區(qū)、陰影區(qū)和背景區(qū)3部分組成。目標高亮區(qū)主要由聲波在目標表面反射造成的區(qū)域，而陰影區(qū)是由于目標物的遮擋使得聲波難以到達造成的區(qū)域。水下目標檢測的目的就是要從復(fù)雜背景區(qū)中提取出目標高亮區(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，針對分割后的目標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識別。特征提取是指從目標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)果將直接決定目標識別工作的好壞。

特征分類是利用計算得到的目標特征，完成目標識別，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)的聲吶圖像目標檢測識別算法流程如圖4。

圖4 深度學(xué)習(xí)目標識別模型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，其中含有較多的水雷目標）。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。

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，為當前深度學(xué)習(xí)技術(shù)應(yīng)用于水下目標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。