第3期 赵玉新，等：海底声呐图像智能底质分类技术研究综述 ·595· CNN与浅层神经网的区别在于：增加了卷 散，涉及不同海域、不同数据采集和处理方案、不 积运算和下采样过程，具有局部感知和权值共享 同型号声呐及传感器等因素，研究成果难以对比 的特点。纪雪[6]将声呐图像的纹理特征和统计 和共享，而且这些数据主要由项目责任单位保 量特征与CNN相结合，通过与SVM、ISODATA、 存，缺少数据处理与共享机制，造成大量的数据 BP神经网络3种方法对比，证明卷积神经网络比 资源闲置和浪费。建议对现有的海底观测数据进 传统的机器学习算法具有更高的识别准确率。付 行统筹规划，推动数据资源共享平台建设。 楠6将灰度-基元共生矩阵与CNN相结合，并且 2)国产声呐设备研发与推广。现阶段我国已 通过对网络参数的调整与优化，对10类图像的分 经实现了大多数声呐设备的国产化，包括多波 类准确率优于SVM和BP神经网络。焦佳⑧1在 束、侧扫声呐、浅地层剖面仪等。由于起步较晚， 实验中对比了不同激活函数对于分类性能的影 国产声呐设备在测量精度、量程、可靠性等方面 响，实验结果表明采用RLU作为CNN网络的激 跟国外的技术仍然存在差距，对于测绘单位来说 活函数对于砂纹、沉船等6类水下目标具有最优 进口设备仍然是首选。然而一些国外设备厂商对 的分类性能。Williams!8将CNN应用在海洋目 声呐工作原理和数据格式严格保密，对于声呐数 标识别中，与人工专家判别结果相比，仍然取得 据包中的测量信息并未完全开放，用户只能通过 了较好的识别率。刘韦伯采用具有较高实时 其预留的数据接口导出指定的测量信息，导致后 性的YOLOv3网络结构对水下目标进行识别，在 期处理过程中无法制定有针对性的补偿和校正处 平均识别准确率、目标检测精度及模型的识别速 理方案，严重制约着测绘精度的提高。今后必须 度方面均表现出优异的性能。 努力提升国产设备技术水平和普及程度，自主开 针对深度学习在海底声呐图像底质分类中的 发勘测设备和后处理系统，尤其是面向深海及复 应用现状，后续可以在以下方面进行改善。1)增 杂环境的探测装备，真正掌握核心技术，实现测 加训练集样本数量。深度学习在样本规模足够大 绘过程的“全透明”才能让科研人员有更多有价值 的情况下具有更强大的分析能力，由于实验条件 的发现。 所限，目前研究中所采用的声呐图像数据量难以 3)海底声学特性研究。海底声学特性是进行 满足深度学习对数据规模的要求，可以利用迁移 声学海底探测的物理学基础，早期的海底声学理 学习等方法对现有图像数据进行学习，通过捕捉 论体系与模型主要是由国外学者建立，我国的研 声呐图像的深层次特征模拟海底声呐图像，扩展 究主要集中在声呐数据解析、分类算法探讨等方 样本数据集，从而提升深度神经网络的学习能 面，相关研究并不深入，尤其是在地声模型理论 力。2)深度优化网络结构。结合声呐图像样本数 研究方面缺乏必要的研究基础和系统的实验分 据的特点和海底底质分类对于准确率的高要求， 析，不利于推动声学海底探测技术的发展。应该 可以降低模型实时性的要求，优先保证模型精 立足现有的理论体系，加强对海底基础科学的研 度，选取合适的网络结构，对网络的损失函数、优 究和支持力度，在典型区域统一规划、设计、实施 化算法进行优选，从而制定最佳策略构建底质分 系统性的海底物理特性测量实验，通过探索发现 类模型。 海底固有特性和规律，夯实理论研究基础。 4总结与展望 4)反向散射数据精细化处理技术。海底的反 向散射强度与水深、底质、入射角、波束宽度、发 随着声呐技术和计算机视觉水平的提高，我 射功率、系统增益等因素有关，为了保证反向散 国的海底声呐图像底质分类技术已经有了长足的 射强度能够准确反映海底底质的声学特性，必须 发展，但是研究中也面临着一些技术挑战。在人 对影响反向散射强度的其他因素进行补偿。目前 工智能理论蓬勃发展的重要机遇期，需要在立足 对于反向散射强度数据的校正流程不规范，多数 地声模型理论的基础上，利用大量的取样和观测 情况下缺乏船体姿态与速度校正、海底地形校正 数据进行探索和验证，提升海底底质探测的智能 等，使得反向散射强度补偿不准确。可以结合海 化水平，在未来的工作中需要在以下几个方面进 底地声模型和散射模型对声传播过程进行模拟， 一步加强： 通过水池实验明确各个因素的作用机理和改正方 1)海底底质数据库建设。在长期的海洋观测 法，逐步完善反向散射数据的标准化处理流程和 中，我国曾开展过多次海洋调查科考航次，积累 质量控制标准。 了大量的海底观测数据。然而由于研究单位分 5)特征提取方法。特征提取方法的选取是影CNN 与浅层神经网络的区别在于：增加了卷 积运算和下采样过程，具有局部感知和权值共享 的特点。纪雪[68] 将声呐图像的纹理特征和统计 量特征与 CNN 相结合，通过与 SVM、ISODATA、 BP 神经网络 3 种方法对比，证明卷积神经网络比 传统的机器学习算法具有更高的识别准确率。付 楠 [64] 将灰度−基元共生矩阵与 CNN 相结合，并且 通过对网络参数的调整与优化，对 10 类图像的分 类准确率优于 SVM 和 BP 神经网络。焦佳[88] 在 实验中对比了不同激活函数对于分类性能的影 响，实验结果表明采用 ReLU 作为 CNN 网络的激 活函数对于砂纹、沉船等 6 类水下目标具有最优 的分类性能。Williams[89] 将 CNN 应用在海洋目 标识别中，与人工专家判别结果相比，仍然取得 了较好的识别率。刘韦伯[90] 采用具有较高实时 性的 YOLOv3 网络结构对水下目标进行识别，在 平均识别准确率、目标检测精度及模型的识别速 度方面均表现出优异的性能。 针对深度学习在海底声呐图像底质分类中的 应用现状，后续可以在以下方面进行改善。1) 增 加训练集样本数量。深度学习在样本规模足够大 的情况下具有更强大的分析能力，由于实验条件 所限，目前研究中所采用的声呐图像数据量难以 满足深度学习对数据规模的要求，可以利用迁移 学习等方法对现有图像数据进行学习，通过捕捉 声呐图像的深层次特征模拟海底声呐图像，扩展 样本数据集，从而提升深度神经网络的学习能 力。2) 深度优化网络结构。结合声呐图像样本数 据的特点和海底底质分类对于准确率的高要求， 可以降低模型实时性的要求，优先保证模型精 度，选取合适的网络结构，对网络的损失函数、优 化算法进行优选，从而制定最佳策略构建底质分 类模型。 4 总结与展望 随着声呐技术和计算机视觉水平的提高，我 国的海底声呐图像底质分类技术已经有了长足的 发展，但是研究中也面临着一些技术挑战。在人 工智能理论蓬勃发展的重要机遇期，需要在立足 地声模型理论的基础上，利用大量的取样和观测 数据进行探索和验证，提升海底底质探测的智能 化水平，在未来的工作中需要在以下几个方面进 一步加强： 1) 海底底质数据库建设。在长期的海洋观测 中，我国曾开展过多次海洋调查科考航次，积累 了大量的海底观测数据。然而由于研究单位分 散，涉及不同海域、不同数据采集和处理方案、不 同型号声呐及传感器等因素，研究成果难以对比 和共享，而且这些数据主要由项目责任单位保 存，缺少数据处理与共享机制，造成大量的数据 资源闲置和浪费。建议对现有的海底观测数据进 行统筹规划，推动数据资源共享平台建设。 2) 国产声呐设备研发与推广。现阶段我国已 经实现了大多数声呐设备的国产化，包括多波 束、侧扫声呐、浅地层剖面仪等。由于起步较晚， 国产声呐设备在测量精度、量程、可靠性等方面 跟国外的技术仍然存在差距，对于测绘单位来说 进口设备仍然是首选。然而一些国外设备厂商对 声呐工作原理和数据格式严格保密，对于声呐数 据包中的测量信息并未完全开放，用户只能通过 其预留的数据接口导出指定的测量信息，导致后 期处理过程中无法制定有针对性的补偿和校正处 理方案，严重制约着测绘精度的提高。今后必须 努力提升国产设备技术水平和普及程度，自主开 发勘测设备和后处理系统，尤其是面向深海及复 杂环境的探测装备，真正掌握核心技术，实现测 绘过程的“全透明”才能让科研人员有更多有价值 的发现。 3) 海底声学特性研究。海底声学特性是进行 声学海底探测的物理学基础，早期的海底声学理 论体系与模型主要是由国外学者建立，我国的研 究主要集中在声呐数据解析、分类算法探讨等方 面，相关研究并不深入，尤其是在地声模型理论 研究方面缺乏必要的研究基础和系统的实验分 析，不利于推动声学海底探测技术的发展。应该 立足现有的理论体系，加强对海底基础科学的研 究和支持力度，在典型区域统一规划、设计、实施 系统性的海底物理特性测量实验，通过探索发现 海底固有特性和规律，夯实理论研究基础。 4) 反向散射数据精细化处理技术。海底的反 向散射强度与水深、底质、入射角、波束宽度、发 射功率、系统增益等因素有关，为了保证反向散 射强度能够准确反映海底底质的声学特性，必须 对影响反向散射强度的其他因素进行补偿。目前 对于反向散射强度数据的校正流程不规范，多数 情况下缺乏船体姿态与速度校正、海底地形校正 等，使得反向散射强度补偿不准确。可以结合海 底地声模型和散射模型对声传播过程进行模拟， 通过水池实验明确各个因素的作用机理和改正方 法，逐步完善反向散射数据的标准化处理流程和 质量控制标准。 5) 特征提取方法。特征提取方法的选取是影 第 3 期 赵玉新，等：海底声呐图像智能底质分类技术研究综述 ·595·