[发明专利]一种基于卷积神经网络的舰船声尾流检测方法

说明书

本发明涉及一种基于卷积神经网络的舰船声尾流检测方法，属于目标检测领域。包括采集有尾流和无尾流时散射回波信号，对采集到的散射回波信号进行预处理，对预处理后的散射回波信号做小波变化得到小波系数矩阵，将时频特征图像集按照一定的比例划分为测试集和训练集，搭建卷积神经网络进行训练，利用训练好的模型进行测试，实现舰船尾流目标检测。本发明方法利用卷积神经网路挖掘更深层次的信息，提高了低信噪比下的检测准确率。

技术领域

本发明属于目标检测领域，具体涉及一种通过对舰船声尾流散射回波信号处理实现舰船目标检测的方法。

背景技术

舰船在航行过程中，其尾部会产生含有大量气泡的湍流。声学探测尾流由于检测概率大、抗干扰能力强、导引距离远等优点，成为探测舰船尾流的有效方式。

国内外学者对尾流声检测开展了大量的研究，并提出相关的检测算法，主要集中在提取特征后进行检测。但人工提取特征需要具备一定的专业知识，并在提取特征的过程中不可避免的丢失掉部分信息，导致基于特征提取的检测方法鲁棒性和泛化性较差。

深度学习使用多个层逐步从原始输入中提取更高级别的特征，并将传统的提取后分类识别的算法整合到一个端对端的分类模型。在图像处理中，深度学习方法已展现出泛化性和鲁棒性的能力。

发明内容

要解决的技术问题

为了克服现有技术的不足，本发明提出一种基于卷积神经网络的舰船尾流检测方法，利用卷积神经网络挖掘舰船尾流目标的更深层次特征，进而提高低信噪比下尾流目标检测的准确率。

技术方案

一种基于卷积神经网络的舰船声尾流检测方法，其特征在于步骤如下：

步骤1：采集有尾流和无尾流时散射回波信号；分别采集检测平台在不同深度、不同速度、不同信号发射角度以及发射不同信号频率和形式下的有尾流和无尾流时散射回波；

步骤2：对采集到的散射回波信号进行预处理，滤除不在频响范围内的噪声；

步骤3：对预处理后的散射回波信号做小波变化得到小波系数矩阵，然后进行可视化得到时频特征图像集；

步骤4：将时频特征图像集按照一定的比例划分为测试集和训练集，并对每一张时频图标注对应的标签；

步骤5：综合考虑网络的检测准确率、计算量和占用内存的大小，搭建卷积神经网络；所述的卷积神经网络为WakeNet检测网络，WakeNet由三个普通卷积层、四个bottleneck结构和一个全局平均池化层构成，输入网络的时频图首先经过卷积核大小为3×3的卷积层捕获宏观特征，之后经过四层bottleneck结构获取更深层次的特征，然后经过卷积核大小为1×1的卷积层提高网络的非线性分类性能，随后采用全局平均池化层对特征矩阵进行降维，最后采用卷积核大小为1×1的卷积层作为全连接层输出分类结果；

步骤6：使用训练集训练和优化卷积神经网络；

步骤7：将待测数据经过预处理、时频特征提取之后，通过优化好的神经网络模型给出检测结果，实现舰船尾流目标检测。

本发明进一步的技术方案：步骤5所述的bottleneck结构为倒残差结构，是由Resnet网络中的残差结构改进而来，bottleneck结构首先经过卷积核大小为1×1的卷积层提高特征维度，然后经过3×3的DW卷积提取特征，最后经过卷积核大小为1×1的卷积层降低特征维度。

本发明进一步的技术方案：步骤6中通过调节网络的超参数以提高网络的学习效果和性能，所述的超参数包括：学习率和批次大小。

一种计算机系统，其特征在于包括：一个或多个处理器，计算机可读存储介质，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的方法。