本发明专利技术提出一种基于数据驱动的AUV海底目标识别与路径规划方法，首先基于声呐数据收集模块采集并获取声呐原始数据流，最终得到二维海底地形地貌的声学图；然后基于高性能计算模块对所获声呐原始数据流进行存储，同时融合来自主控系统发送的姿态角和经纬度信息，并将声呐原始数据流、姿态角和经纬度信息整合成声呐数据包，进行声呐数据处理，实时解析和识别数据，并在识别的过程中计算目标点的经纬度；最后将识别的结果和目标点的经纬度打包成数据包指令，发送给AUV主控系统，通过AUV主控系统解析识别，实现对AUV实时的路径规划；本方案采用的实施路径规划算法能够减少浪费时间，在线优化与目标无关的路径，减少作业时间，实现高效率的海洋勘测。效率的海洋勘测。效率的海洋勘测。
【技术实现步骤摘要】
基于数据驱动的AUV海底目标识别与路径规划方法
[0001]本专利技术属于海底勘测
，具体涉及一种基于数据驱动的AUV海底目标识别与路径规划方法。
技术介绍
[0002]自主水下航行器(AUV)作为海洋勘测的主要工程设备，具有活动范围大、机动性好、安全、智能化等优点，成为完成各种水下任务的重要工具。新一代AUV的发展和革新对其自主性提出了更高的要求，主要体现在AUV对环境感知能力和适应环境动态变化的路径规划能力。AUV可以连续动态地获取海洋特征的水文要素，它已被海洋学家广泛应用于湖泊和海洋的环境观测和采样。侧扫声呐作为一种多用途、低成本的海洋调查设备，广泛应用于海洋、港口水域。将侧扫声呐装配到AUV上，对侧扫声呐图像进行识别，针对识别结果进行路径规划，有利于提高勘测海洋的效率。
[0003]传统的侧扫声呐图像识别大多是一个人为主动型活动，主要通过拖曳装载侧扫声呐的拖鱼来执行任务，最后的目标是从收集的大量数据中线下人为推断目标是否存在于该区域，此方法受到人为设计的限制，且面对大量的声呐数据时，人为识别耗时且昂贵，并且识别率较低；另一方面，也有很多学者将水平集方法、模糊聚类方法等实现侧扫声呐图像识别，但是由于侧扫声呐图像本身具有单色性、对比度低和和色彩质量差等特性，传统的方法不能够充分的挖掘侧扫声呐图像中的信息，只能获取图像的低阶信息，往往使得识别准确率较低。因此，传统的侧扫声呐图像识别方法的实时性和自主性较差，并且代价较大，主要依靠人为操作，难以完成持续、自主、实时的任务。
[0004]目前利用AUV执行海洋勘测任务，大部分采用几字法、螺旋线法等的路径规划算法，即在线下预先规划或设计好，算法方式单一，且属于离线算法，一旦任务开始则不能更改，只能让AUV按照指定的轨迹进行运动。但是，当AUV在执行任务过程中，面对未知海洋环境，由于其不具备自主决策的能力，当面临危险时，AUV不能主动避开，会增加AUV勘测的风险；同时，该路径算法耗时较长，效率较低，最终线下分析数据时会发现，耗时较久采集到的数据无效或不可用，或者出现数据质量低下，可信度不高等结果。
技术实现思路
[0005]本专利技术针对在未知海域中作业的AUV，由于收到海浪和涌流的干扰，导致声呐图像质量差等缺陷，提出了一种基于数据驱动的AUV海底目标识别与路径规划方法。
[0006]本专利技术是采用以下的技术方案实现的：一种基于数据驱动的AUV海底目标识别与路径规划方法，包括以下步骤：
[0007]步骤一、基于声呐数据收集模块采集并获取声呐原始数据流；
[0008]步骤二、基于高性能计算模块对步骤一所获得声呐原始数据流进行存储，高性能计算机模块包括声呐数据存/发模块和声呐数据处理模块；
[0009]所述数据存发模块搭载一单板计算机，用以融合AUV主控系统发送的姿态角和经
纬度信息，将声呐原始数据流、姿态角和经纬度信息整合成声呐数据包；所述声呐数据处理模块用以对声呐数据包进行实时解析和识别，并在识别的过程中得到目标点的经纬度；
[0010]步骤三、将步骤二识别的结果和目标点的经纬度打包成数据包发送给AUV主控系统，AUV主控系统解析识别数据包后，根据识别的结果对AUV进行实时的路径规划。
[0011]进一步的，所述步骤二中，所述声呐数据处理模块的解析和识别过程如下：
[0012]步骤21、解析声呐数据包：将解析后的声强信息转换成像素值信息，并对像素值信息进行归一化处理，并将处理好的数据转换成图像格式，得到侧扫声呐图像；
[0013]步骤22、基于限制对比度自适应直方图均衡化方法进行图像预处理，用以改善图像对比度；
[0014]步骤23、实时识别并计算目标点的经纬度：构建深度卷积神经网络模型，基于改进型的神经网络R
‑
MoblieNetV2实现对侧扫声呐图像的识别；
[0015](1)首先，将经步骤S22处理后的侧扫声呐图像作为输入，经过一层卷积层，对侧扫声呐图像进行特征提取；
[0016](2)然后，将提取的特征输入到串行的七组线性瓶颈块中，每个线性瓶颈块包含了卷积核为1*1的卷积、卷积核为3*3的深度可分离卷积、卷积核为1*1的线性变换卷积；
[0017](3)对七组线性瓶颈块的输出进行线性激活，并经过池化层后做残差，得到最终的侧扫声呐识别结果：
[0018][0019][0020]y
l+1
＝x
l
+F(x
l
,w
l
)
[0021]其中，x
l
为R
‑
MobileNetV2的第l层的输入，也是上一时刻的输出；(i,j)代表了第k个特征在循环卷积神经网络上的映射；为第t时刻的输出；和分别是卷积神经模块和循环卷积神经模块的第k个特征映射的权重；b
k
为偏置，F(x
l
,w
l
)为循环卷积神经网络的输出；y
l+1
为最终R
‑
MobileNetV2的输出。
[0022]进一步的，所述步骤22中，具体采用以下方式实现图像预处理：
[0023](1)计算声呐图像的均值a
[0024][0025]其中，p
ij
为声呐图像的像素点，i,j为像素点坐标，n为声呐图像的尺寸；
[0026](2)将a作为声呐图像的阈值，提取声呐图像中高于均值a的像素值，构成集合B：
[0027]B∈{∑p
ij
} p
ij
＞a
[0028](3)将集合B中的每一个元素b都设为均值a，其中元素b高于均值a的部分进行求和得到参量c：
[0029]B＝{a,
…
a}
[0030][0031]其中，m为B中元素的个数；
[0032](4)参量c除以256得到d，将d加在每一个灰度等级下，得到像素值A：
[0033][0034]其中，A为图像预处理后的像素值。
[0035]进一步的，所述步骤23中，所述深度卷积神经网络模型的构建过程如下：
[0036](1)获取训练样本，并对训练样本集进行预处理，所采集的声呐数据包括沙波、礁石；
[0037](2)基于数据增强的方式对训练样本集图像进行数据扩充；
[0038](3)将经处理后获得的训练样本集图像打标签处理，作为训练样本，对R
‑
MoblieNetV2进行训练，构建深度卷积神经网络模型。
[0039]进一步的，所述步骤一中，声呐数据收集模块包括侧扫声呐传感器，其所依据的采集准则为：
[0040]AUV左右两侧各安装一条侧扫声呐的换能器，换能器首先发射一个短促的声脉冲，声波按球面波方式向外传播，碰到海底或水中物体产生散射，其中的反向散射波按原传播路线返回，被换能器接收，经换能器转换成一系列电脉冲；一次发射可获得换能器两侧一窄条海底本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.基于数据驱动的AUV海底目标识别与路径规划方法，其特征在于，包括以下步骤：步骤一、基于声呐数据收集模块采集并获取声呐原始数据流；步骤二、基于高性能计算模块对步骤一所获得声呐原始数据流进行存储，高性能计算机模块包括声呐数据存/发模块和声呐数据处理模块；所述数据存发模块搭载一单板计算机，用以融合AUV主控系统发送的姿态角和经纬度信息，将声呐原始数据流、姿态角和经纬度信息整合成声呐数据包；所述声呐数据处理模块用以对声呐数据包进行实时解析和识别，并在识别的过程中得到目标点的经纬度；步骤三、将步骤二识别的结果和目标点的经纬度打包成数据包发送给AUV主控系统，AUV主控系统解析识别数据包后，根据识别的结果对AUV进行实时的路径规划。2.根据权利要求1所述的基于数据驱动的AUV海底目标识别与路径规划方法，其特征在于：所述步骤二中，所述声呐数据处理模块的解析和识别过程如下：步骤21、解析声呐数据包：将解析后的声强信息转换成像素值信息，并对像素值信息进行归一化处理，并将处理好的数据转换成图像格式，得到侧扫声呐图像；步骤22、基于限制对比度自适应直方图均衡化方法进行图像预处理，用以改善图像对比度；步骤23、实时识别并计算目标点的经纬度：构建深度卷积神经网络模型，基于改进型的神经网络R
‑
MoblieNetV2实现对侧扫声呐图像的识别；(1)首先，将经步骤S22处理后的侧扫声呐图像作为输入，经过一层卷积层，对侧扫声呐图像进行特征提取；(2)然后，将提取的特征输入到串行的七组线性瓶颈块中，每个线性瓶颈块包含了卷积核为1*1的卷积、卷积核为3*3的深度可分离卷积、卷积核为1*1的线性变换卷积；(3)对七组线性瓶颈块的输出进行线性激活，并经过池化层后做残差，得到最终的侧扫声呐识别结果：声呐识别结果：y
l+1
＝x
l
+F(x
l
,w
l
)其中，x
l
为R
‑
MobileNetV2的第l层的输入，也是上一时刻的输出；(i,j)代表了第k个特征在循环卷积神经网络上的映射；为第t时刻的输出；和分别是卷积神经模块和循环卷积神经模块的第k个特征映射的权重；b
k
【专利技术属性】
技术研发人员：于菲，何波，
申请(专利权)人：青岛澎湃海洋探索技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。