一种多物理场融合探测识别潜航器的方法及系统技术方案

本发明专利技术提供一种多物理场融合探测识别潜航器的方法及系统，包括：获取海洋背景场的图像；获取海洋背景场的功率谱数据；根据图像确定海洋背景场中是否包含水面船舶，若包含水面船舶，则将功率谱数据输入到预先训练好的第一种神经网络分类模型，若不包含水面船舶，则将功率谱数据输入到预先训练好的第二种神经网络分类模型；第一种神经网络分类模型用于对水面船舶、潜航器以及海洋背景进行识别分类，第二种神经网络分类模型用于对潜航器和海洋背景进行识别分类；当第一种神经网络分类模型输出的潜航器的识别概率值大于第一预设概率值，或第二种神经网络分类模型输出的潜航器的识别概率值大于第二预设概率值时，则探测到潜航器。本发明专利技术检测识别率高。本发明专利技术检测识别率高。本发明专利技术检测识别率高。

【技术实现步骤摘要】
一种多物理场融合探测识别潜航器的方法及系统


[0001]本专利技术属于目标特征识别、非声学的水下探测以及多维信号处理技术的交叉融合领域，更具体地，涉及一种多物理场融合探测识别潜航器的方法及系统。

技术介绍

[0002]在经济全球化的新形势背景下，随着各国的进出口总量的快速增长，船舶运输因为自身巨大的货运量以及高效的货物保障被全球企业商家所青睐，于是船舶在航行过程中的安全问题成为了人们关注的焦点。随着水下潜航器与水下机器人活动范围的日益增大，两者的活动成为了影响海洋通航的重要因素，在这个背景下，对影响海洋通航的水下潜航器等铁磁性目标的探测尤为重要。
[0003]华中科技大学张天序教授提出了使用世界各国电网产生的工频电磁场(波)进行水下铁磁性目标的探测。遍布全世界的高压输/变/用电网络会产生工频电磁场(波)。工频电磁场(波)穿透性强，可穿透海洋作用在水下铁磁性目标上。目标在工频电磁场(波)的作用下产生畸变信号，可进行水下铁磁性目标探测。
[0004]依托于华中科技大学张天序教授提出的使用世界各国电网产生的工频电磁场(波)进行水下铁磁性目标的探测，本专利技术旨在实现以轻量级网络对水下铁磁性目标，例如潜航器等，进行高效、高准确率的探测。

技术实现思路

[0005]针对现有技术的缺陷，本专利技术的目的在于提供一种多物理场融合探测识别潜航器的方法及系统，旨在解决以轻量级网络对水下铁磁性目标进行高效、高准确率的探测的问题。
[0006]为实现上述目的，第一方面，本专利技术提供了一种多物理场融合探测识别潜航器的方法，包括如下步骤：
[0007]获取海洋背景场的图像；所述图像为可见光图像和红外图像中的至少一种；所述海洋背景场中可能包括水面船舶和潜航器中的至少一种铁磁性目标；
[0008]获取海洋背景场的功率谱数据；
[0009]根据所述图像确定所述海洋背景场中是否包含水面船舶，若包含水面船舶，则将所述功率谱数据输入到预先训练好的第一种神经网络分类模型，若不包含水面船舶，则将所述功率谱数据输入到预先训练好的第二种神经网络分类模型；所述第一种神经网络分类模型用于对水面船舶、潜航器以及海洋背景进行识别分类，所述第二种神经网络分类模型用于对潜航器和海洋背景进行识别分类；
[0010]当所述第一种神经网络分类模型输出的潜航器的识别概率值大于第一预设概率值，或所述第二种神经网络分类模型输出的潜航器的识别概率值大于第二预设概率值时，则确定在所述海洋背景场中探测到潜航器。
[0011]在一个可选的示例中，所述第一种神经网络分类模型和第二种神经网络分类模型
均包括：局部特征提取模块、全局特征提取模块、特征融合模块以及分类识别模块；
[0012]所述局部特征提取模块，用于通过卷积神经网络提取所述功率谱的局部特征向量；
[0013]所述全局特征提取模块，用于通过全连接层提取所述功率谱的全局特征向量；
[0014]所述特征融合模块，用于将所述局部特征向量和全局特征向量拼接，得到融合特征向量；
[0015]所述分类识别模块，用于通过全连接层和Softmax激活函数实现分类识别，确定每一类别的概率；
[0016]采用包含水面船舶、潜航器以及海洋背景三种目标的功率谱数据对上述各个模块进行训练，得到训练好的第一种神经网络分类模型；
[0017]采用包含潜航器和海洋背景两种目标的功率谱数据对上述各个模块进行训练，得到训练好的第二种神经网络分类模型。
[0018]在一个可选的示例中，所述局部特征提取模块包括：卷积层、激活层以及池化层；
[0019]所述卷积层，用于对接收到功率谱进行线性变换；
[0020]所述激活层，用于增加神经网络各层之间的非线性关系。
[0021]所述池化层，用于对线性变换后的特征降维，并对降维后的特征进行压缩，以提取出功率谱的局部特征向量。
[0022]在一个可选的示例中，所述全局特征提取模块包括：全连接层；
[0023]所述全连接层，用于充分利用输入功率谱数据的所有信息，以捕获不同类别的功率谱信息的差异，提取出功率谱的全局特征向量。
[0024]在一个可选的示例中，所述第一种神经网络分类模型和第二种神经网络分类模型的总体识别率和平均识别率分别为：
[0025]总体识别率：
[0026][0027]式中，Accuracy为总体识别率，Right
pred
为测试集中被预测正确的功率谱数据的总数量，Total为测试集中功率谱数据的总数量；
[0028]平均识别率AVG：
[0029][0030][0031]式中，Accuracy
i
为第i类目标的识别率，其中，α
i
为第i类目标识别率所占的权重值，Right
i
为测试集中第i类目标被预测正确的功率谱数据的总数量，Total
i
为测试集中第i类目标功率谱数据的总数量，n为目标的总类别数。
[0032]第二方面，本专利技术提供了一种多物理场融合探测识别潜航器的系统，包括：
[0033]图像数据获取单元，用于获取海洋背景场的图像；所述图像为可见光图像和红外图像中的至少一种；所述海洋背景场中可能包括水面船舶和潜航器中的至少一种铁磁性目
标；
[0034]功率谱数据获取单元，用于获取海洋背景场的功率谱数据；
[0035]潜航器识别单元，用于根据所述图像确定所述海洋背景场中是否包含水面船舶，若包含水面船舶，则将所述功率谱数据输入到预先训练好的第一种神经网络分类模型，若不包含水面船舶，则将所述功率谱数据输入到预先训练好的第二种神经网络分类模型；所述第一种神经网络分类模型用于对水面船舶、潜航器以及海洋背景进行识别分类，所述第二种神经网络分类模型用于对潜航器和海洋背景进行识别分类；以及当所述第一种神经网络分类模型输出的潜航器的识别概率值大于第一预设概率值，或所述第二种神经网络分类模型输出的潜航器的识别概率值大于第二预设概率值时，则确定在所述海洋背景场中探测到潜航器。
[0036]在一个可选的示例中，所述潜航器识别单元所用的第一种神经网络分类模型和第二种神经网络分类模型均包括：局部特征提取模块、全局特征提取模块、特征融合模块以及分类识别模块；
[0037]所述局部特征提取模块，用于通过卷积神经网络提取所述功率谱的局部特征向量；
[0038]所述全局特征提取模块，用于通过全连接层提取所述功率谱的全局特征向量；
[0039]所述特征融合模块，用于将所述局部特征向量和全局特征向量拼接，得到融合特征向量；
[0040]所述分类识别模块，用于通过全连接层和Softmax激活函数实现分类识别，确定每一类别的概率；
[0041]采用包含水面船舶、潜航器以及海洋背景三种目标的功率谱数据对上述各个模块进行训练，得到训练好的第一种神经网络分类模型；
[0042]采用包含潜航器和海洋背景两种目本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多物理场融合探测识别潜航器的方法，其特征在于，包括如下步骤：获取海洋背景场的图像；所述图像为可见光图像和红外图像中的至少一种；所述海洋背景场中可能包括水面船舶和潜航器中的至少一种铁磁性目标；获取海洋背景场的功率谱数据；根据所述图像确定所述海洋背景场中是否包含水面船舶，若包含水面船舶，则将所述功率谱数据输入到预先训练好的第一种神经网络分类模型，若不包含水面船舶，则将所述功率谱数据输入到预先训练好的第二种神经网络分类模型；所述第一种神经网络分类模型用于对水面船舶、潜航器以及海洋背景进行识别分类，所述第二种神经网络分类模型用于对潜航器和海洋背景进行识别分类；当所述第一种神经网络分类模型输出的潜航器的识别概率值大于第一预设概率值，或所述第二种神经网络分类模型输出的潜航器的识别概率值大于第二预设概率值时，则确定在所述海洋背景场中探测到潜航器。2.根据权利要求1所述的多物理场融合探测识别潜航器的方法，其特征在于，所述第一种神经网络分类模型和第二种神经网络分类模型均包括：局部特征提取模块、全局特征提取模块、特征融合模块以及分类识别模块；所述局部特征提取模块，用于通过卷积神经网络提取所述功率谱的局部特征向量；所述全局特征提取模块，用于通过全连接层提取所述功率谱的全局特征向量；所述特征融合模块，用于将所述局部特征向量和全局特征向量拼接，得到融合特征向量；所述分类识别模块，用于通过全连接层和Softmax激活函数实现分类识别，确定每一类别的概率；采用包含水面船舶、潜航器以及海洋背景三种目标的功率谱数据对上述各个模块进行训练，得到训练好的第一种神经网络分类模型；采用包含潜航器和海洋背景两种目标的功率谱数据对上述各个模块进行训练，得到训练好的第二种神经网络分类模型。3.根据权利要求2所述的多物理场融合探测识别潜航器的方法，其特征在于，所述局部特征提取模块包括：卷积层、激活层以及池化层；所述卷积层，用于对接收到功率谱进行线性变换；所述激活层，用于增加神经网络各层之间的非线性关系；所述池化层，用于对线性变换后的特征降维，并对降维后的特征进行压缩，以提取出功率谱的局部特征向量。4.根据权利要求2所述的多物理场融合探测识别潜航器的方法，其特征在于，所述全局特征提取模块包括：全连接层；所述全连接层，用于充分利用输入功率谱数据的所有信息，以捕获不同类别的功率谱信息的差异，提取出功率谱的全局特征向量。5.根据权利要求1至4任一项所述的多物理场融合探测识别潜航器的方法，其特征在于，所述第一种神经网络分类模型和第二种神经网络分类模型的总体识别率和平均识别率分别为：总体识别率：
式中，Accuracy为总体识别率，Right
pred
为测试集中被预测正确的功率谱数据的总数量，Total为测试集中功率谱数据的总数量；平均识别率AVG：VG：式中，Accuracy
i
为第i类目标的识别率，其中，α
i
为第i类目标识别率所占的权重值，Right
i
为测试集中第i类目标被预测正确的功率谱数据的总数量，Total
i
为测试集中第i类目标功率谱数据的总数量，n为目标的总类别数。6.一种多物理场融合探测识别潜航器的系统，其特征在于，...

【专利技术属性】
技术研发人员：张天序，郭婷，郭诗嘉，张庆辉，杨成，王嘉伟，张涛，谭建东，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：