孟俊霞

安徽建筑大學(xué)土木工程學(xué)院，安徽 合肥 230601

天然氣水合物具有海底分布廣、儲(chǔ)量豐富、清潔高效等特點(diǎn)，具有極高的資源價(jià)值，一直是長(zhǎng)期研究的熱點(diǎn)。開發(fā)和利用天然氣水合物首先需解決探測(cè)問題。氣泡羽狀流是天然氣水合物泄漏在海水中形成的氣柱，可表征和發(fā)現(xiàn)天然氣水合物的存在；新一代多波束具有記錄水柱數(shù)據(jù)的能力，可獲取換能器到海底間的聲學(xué)信息，獲得具有氣泡羽狀流的多波束水柱圖像。目前的氣泡羽狀流探測(cè)主要基于簡(jiǎn)單閾值法+人工目視方法，存在人為干擾因素大，費(fèi)時(shí)費(fèi)力等不足，故本文開展基于多波束水柱數(shù)據(jù)的氣泡羽狀流探測(cè)方法研究，以期為我國(guó)天然氣水合物提供一種自動(dòng)探測(cè)方法。論文的主要內(nèi)容如下：

(1)基于CFAR閾值分割和形態(tài)約束的氣泡羽狀流探測(cè)。水柱圖像受噪聲影響較大，尤其是較為明顯的旁瓣效應(yīng)影響，使得目標(biāo)探測(cè)的難度大大增加。考慮到同一噪聲在時(shí)間-角度、深度-角度水柱圖像的不同表現(xiàn)差異和CFAR(constant false alarm rate)方法在圖像目標(biāo)檢測(cè)中的有效性，提出了基于扇區(qū)CFAR閾值分割和形態(tài)約束的氣泡羽狀流探測(cè)方法。

該方法包括5個(gè)步驟：水柱數(shù)據(jù)直方圖分布分析；對(duì)時(shí)間-角度水柱圖像進(jìn)行分扇區(qū)CFAR閾值分割；對(duì)深度-角度水柱圖像進(jìn)行分扇區(qū)CFAR閾值分割；取交集消除多數(shù)旁瓣影響噪聲、與水深相關(guān)噪聲和背景噪聲，然后轉(zhuǎn)換為深度-垂直航跡水柱圖像；進(jìn)行氣泡羽狀流形態(tài)約束。并討論了虛警概率和k值的選取問題。

使用淺水EM710多波束水柱數(shù)據(jù)和深水EM122多波束水柱數(shù)據(jù)進(jìn)行了基于扇區(qū)CFAR閾值分割和形態(tài)約束的氣泡羽狀流探測(cè)試驗(yàn)，分別獲得了86%、99%的總正確檢測(cè)率及86%、80%的氣泡羽狀流正確檢測(cè)率，驗(yàn)證了提出方法的可行性和有效性。

(2)基于BOW特征+Quadratic SVM分類器的水柱圖像氣泡羽狀流探測(cè)。由于聲吶水柱圖像不像光學(xué)圖像特征明顯，傳統(tǒng)的圖像特征往往使得識(shí)別精度不高，因而特征的優(yōu)選對(duì)于水柱圖像氣泡羽狀流探測(cè)至關(guān)重要，同時(shí)對(duì)于提取的氣泡羽狀流特征，不同分類器表現(xiàn)差異較大。為了有效地提高對(duì)氣泡羽狀流的識(shí)別精度，首先根據(jù)水柱圖像氣泡羽狀流特點(diǎn)分析優(yōu)選出能夠最好地表達(dá)氣泡羽狀流的BOW特征，然后基于BOW特征優(yōu)選出具有最好識(shí)別精度和較高效率的Quadratic SVM分類器，在此基礎(chǔ)上提出了基于BOW(bag of visual words)特征+Quadratic SVM(support vector machine)分類器的水柱圖像氣泡羽狀流探測(cè)方法與流程。

試驗(yàn)驗(yàn)證結(jié)果為：氣泡羽狀流樣本集分類識(shí)別率98%；EM710水柱數(shù)據(jù)氣泡羽狀流探測(cè)總正確檢測(cè)率89%；氣泡羽狀流正確檢測(cè)率91%。

(3)基于自適應(yīng)卷積神經(jīng)網(wǎng)絡(luò)模型的水柱圖像氣泡羽狀流探測(cè)。由于經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)模型都是基于光學(xué)圖像，利用這些模型進(jìn)行遷移學(xué)習(xí)和特征提取，用于水柱圖像中使得氣泡羽狀流識(shí)別精度難以提高，且計(jì)算消耗較大。為此，建立了顧及水柱圖像氣泡羽狀流識(shí)別問題特點(diǎn)的自適應(yīng)卷積神經(jīng)網(wǎng)絡(luò)模型，并給出了完整的探測(cè)流程。

顧及水柱圖像氣泡羽狀流識(shí)別問題特點(diǎn)，在卷積神經(jīng)網(wǎng)絡(luò)模型建立各個(gè)環(huán)節(jié)進(jìn)行適應(yīng)性優(yōu)化，通過選擇正確的激活函數(shù)與損失函數(shù)、分析對(duì)比得到合適的模型層數(shù)、合理的網(wǎng)絡(luò)優(yōu)化算法等，建立了適應(yīng)氣泡羽狀流目標(biāo)識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)模型，給出了完整探測(cè)流程。

提出方法在氣泡羽狀流樣本集分類識(shí)別中實(shí)現(xiàn)了99.6%的識(shí)別率，在EM710水柱數(shù)據(jù)氣泡羽狀流探測(cè)中獲得了90%的總正確檢測(cè)率及92%的氣泡羽狀流正確檢測(cè)率。