类别不平衡和灰度不均匀条件下侧扫声纳图像实时分割方法研究

Side scan sonar has played a key role in marine scientific research, resource detection, emergency search and rescue, and mine detection. Side scan sonar image segmentation is an important method to obtain seabed targets automatically. For the actual marine environment, this project aims to conduct in-depth research on the real-time segmentation of side scan sonar images. First, to solve the class imbalance problem of side scan sonar images, a class balancing strategy is proposed based on multi-source data. By increasing the samples for the class of a tiny minority, we can balance the contribution of each category to the training of deep learning segmentation model. Second, to obtain a segmentation model which is robust to intensity inhomogeneity and has low computational complexity, this project will introduce the intensity homogeneity super-pixel segmentation strategy into the deep learning algorithm. Third, to achieve fast analysis of potential class for the new observation data, the project will study the self-learning and self-classification models for unknown targets on the seabed. Finally, to effectively evaluate the above research content, this project will develop a side scan sonar target online observation system on the embedded system developer suite NVIDIA Jetson, and carry out experiments to evaluate its performance. This project will provide an effective design solution for the intelligence and efficiency of marine detection.

侧扫声纳在海洋科学研究、资源调查、应急搜救和水雷探测等领域发挥了关键作用。侧扫声纳图像分割是自动获取海底目标的重要方法。本项目针对实际海洋应用环境，旨在对侧扫声纳图像实时分割问题进行深入研究。针对侧扫声纳图像类别不平衡问题，本项目首先将研究基于多源数据的侧扫声纳图像合成方法，通过增加极少数类别的样本数量，平衡各类别样本对深度学习分割模型训练的贡献。为了得到对灰度不均匀问题有鲁棒性、计算复杂度低的分割模型，本项目将灰度均匀超像素分割策略引入深度学习算法。为了实现对新探测数据的快速潜在类别分析，本项目将研究面向海底未知目标的自学习与自分类模型。最后，为了对上述研究内容进行有效评价，本项目将研发低功耗、高性能的侧扫声纳目标在线观测系统，该系统将在嵌入式系统开发者套件NVIDIA Jetson上进行开发，并通过实验验证系统性能。本项目研究将为实现海洋探测的智能性和高效性提供有效的设计方案。

侧扫声纳在海洋科学研究、资源调查、应急搜救和水雷探测等领域发挥了关键作用。侧扫声纳图像分割是自动获取海底目标的重要方法。本项目研究按计划执行，开展了类别不平衡和灰度不均匀条件下侧扫声纳图像实时分割方法的研究工作。具体开展的研究工作主要包括四个方面：. 第一，针对侧扫声纳图像中海底目标较少导致的类别不平衡问题，本项目提出了基于多源数据的侧扫声纳数据增强方法。通过增加少数类特别是极少数类样本的数量，平衡各类别样本对深度学习分割模型训练的贡献。. 第二，针对侧扫声纳图像的灰度不均匀问题，提出基于自级联卷积神经网络和马尔科夫随机场（MRF）的侧扫声纳图像分割方法。通过在卷积神经网络中加入裁剪层，为模型同时提供局部和多尺度的图像特征；通过将机器学习方法与MRF相结合，减小灰度不均匀问题对分割结果的影响，从而提高分割结果正确率。. 第三，本项目基于支持向量域描述（SVDD）和改进的MRF方法实现海底未知目标的自学习与自分类。首先，侧扫声纳目标在线观测系统加载深度学习分类模型提取水下探测目标的局部关键特征，并利用SVDD算法将目标划分为已知和未知目标。对于未知目标，本项目提出基于改进MRF的无监督算法对未知样本进行分割。. 第四，本项目研发了低功耗、高性能的侧扫声纳目标在线观测系统，该系统在嵌入式系统开发者套件NVIDIA Jetson上进行开发，并通过青岛胶州湾大桥海试试验验证了系统性能。 . 本项目研究成果为提升海洋探测的智能性和高效性提供了理论依据和技术支撑。