复杂噪声下多波束声呐水柱图像中气泡羽状流目标识别与分割方法研究

The bubble plume in the multibeam water column image, as an important way to discover the leakage of gas hydrate on the seabed, is one of the important observation contents in marine survey and monitoring. To solve current problems including large and complex noise in multibeam water column images, low efficiency of the target recognition method, and difficulty in accurate segmentation of bubble plumes, this project intends to carry out the research on the identification and segmentation methods of bubble plume in the multibeam water column image under complex noise. Firstly, based on distribution characteristics of multibeam water column 3D intensity data, the method of determining the adaptive threshold between noise and target is studied, and the 3D constant false alarm rate method is used to effectively removal noise. Secondly, by establishing and optimization of the convolutional neural network model for bubble plume recognition, the automatic recognition of the bubble plume is realized, and the regression model is used to obtain the rough frame of the target. Finally, through the transfer learning of the deep learning semantic segmentation model, the accurate semantic segmentation of the bubble plume is realized, and then an accurate determination of the bubble plume volume can be obtained. The automatic identification and semantic segmentation method of the bubble plume and the accurate determination of the bubble plume volume under continuous pulse proposed by this project, provide reliable theoretical and technical support for the exploration and monitoring of seabed gas hydrate.

多波束声呐水柱图像中气泡羽状流作为发现海底可燃冰渗漏的一种重要途径，是海洋调查与监测中重要观测内容之一。针对目前存在的多波束水柱图像噪声大且成因复杂、水柱图像目标识别方法效率较低、气泡羽状流目标难以准确分割等问题，项目拟开展复杂噪声下多波束声呐水柱图像中气泡羽状流目标识别与分割方法研究。首先，基于多波束水柱三维强度数据分布特点，研究噪声和目标之间自适应阈值的判定方法，利用三维恒虚警率法实现复杂噪声的有效削弱；其次，通过建立和优化气泡羽状流目标识别的卷积神经网络模型，实现气泡羽状流目标的自动识别，并利用回归模型实现目标的粗框定；最后，通过对深度学习语义分割模型进行迁移学习，实现气泡羽状流目标的准确语义分割，进而获得气泡羽状流含量的准确测定。项目所形成的气泡羽状流目标自动识别与语义分割方法，以及连续脉冲下的气泡羽状流含量的准确测定，为海底可燃冰勘探与监测的相关研究提供可靠的理论与技术支撑。

多波束水柱图像中的气泡羽状流目标是水下天然气泄漏、动植物腐烂的重要标识之一，对于海底天然气水合物等重要能源的探测以及水下生态环境的调查具有重要的研究价值。然而受到复杂的水体噪声环境以及多波束自身成像机理等影响，气泡羽状流目标往往存在干扰大、难以识别和准确探测等问题。为此，项目开展了以下研究内容：. 首先基于已有的研究成果，项目对多波束声呐的噪声模型进行分析、利用多波束气泡羽状流的回波与噪声之间的差异建立噪声滤波模型，对气泡羽状流目标的图像特征进行提取，对比了在不同特征与分类器下的差异性，验证了在最小斜距图像范围内进行气泡羽状流目标的探测识别效率最高。. 然后，为了解决存在水柱强反射目标时造成的最小斜距误判问题，项目开展了基于深度学习的声呐海底快速检测方法研究。项目基于声呐后向散射回波序列的一维特征，首先提出了基于一维卷积神经网络的海底回波识别模型，利用对回波强度序列的遍历实现海底的探测。进一步又提出了适合于一维回波强度序列检测的1D-UNet模型，构建实时的声呐海底快速检测模型，极大地提高了检测效率与速度。. 最后，为了解决小样本下多波束水柱图像气泡羽状流目标探测识别难题，项目开展了基于视觉词袋特征和支持向量机分类器的水柱图像气泡羽状流目标精准探测识别研究。通过提取气泡羽状流目标的视觉词袋特征，利用支持向量机建立对气泡羽状流目标的识别模型，并利用识别模型的最大预测得分实现气泡羽状流目标的精准探测识别。. 项目所研究的气泡羽状流目标精准探测识别方法对于海洋声学的相关研究具有重要的科学意义，同时对水下重要能源的发现以及生态环境保护的研究都具有重要的应用价值。