《南通大学毕业设计开题报告.docx》由会员分享，可在线阅读，更多相关《南通大学毕业设计开题报告.docx（7页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、南通大学毕业设计开题报告学生姓名周霖专业电气工程及其自动化班级电192学号题口基于水下声呐信息的失事残骸识别系统研究阅读文献情况国内文献22开题日期2023年3月3日国外文献9篇尺2开题地点11 教 406一、文献综述与调研报告：（阐述课题研究的现状及发展趋势，本课题研究的意义和价 值、参考文献）本课题研究的现状及发展趋势：海洋扫测声呐主要包括侧扫声呐、多波束声呐、合成孔径声呐三类山。本文主要利 用侧扫声呐进行研究。侧扫声呐技术是探索海底的主要技术手段之一，我国对此技术起 步较晚，早期都是从发达国家进口设备来使用，而1970我国开始研究侧扫声呐系统，并 在1972年成功研究出第一款侧扫声呐系统
2、，并被应用到了海军的武器中，增强了我国军 事硬实力。李勇航等人讲述了截止到2015年侧扫声呐技术的现状及发展，由于海洋环境复 杂，时刻有大量噪声，对侧扫声呐探测系统带来了噪声污染，解决噪声干扰问题是提升 侧扫声呐成像图像质量的关键问题之一。何勇光介绍了当今声呐发展迅速，美国Klein 公司使用了数字动态聚焦科技以及波束控制技术可以获得更高分辨率的图像信息。侧扫 声呐应用广泛，李海滨等人网介绍了侧扫声呐应用于海洋局部生态系统监测、海水养殖 及濒危动物监测、海底热液喷口及冷泉探测、水下搜救等。侧扫声呐技术的发展为更多 的应用场景提供了方便，但同时也对侧扫声呐图像精度及对图像处理要求更高。李海滨等人
3、也验证了侧扫声呐图像在海底目标和定位的应用上的可行性。而海上 环境复杂，噪声污染等无可避免，在声呐图像处理中，武鹤龙等人提出来一种侧扫声 呐非下采样轮廓波变换域分区增强办法，结果不仅可以较好消除噪声，而且可以提升弱 边缘使声呐图像效果增强。而王磊等人提出来一种利用小波和NLM滤波的组合降噪方 法，进一步降低了回波信号中的非高斯分布的乘性噪声，获得了更好的声呐图像，这种 方法主要应用于侧扫声呐回波信号处理。王磊，金绍华等人提出了一种基于剪切波变 化的侧扫声呐图像降噪方法，有效地抑制了噪声，获得了更好的图像效果。刘晨晨针 对侧扫声呐图像受海底混响干扰严重的缺点，不仅提出了一种将高阶谱双谱的谱峰值作
4、 为图像中目标是否存在的判断方法，使其更具普遍性，还提出了一种形态学边缘算法、 基于图像边缘Radon变换的声呐图像不变性特征提取办法。王雷对声呐数据进行了解 码，提出了航向角优化模型和航向角校正算法；对滤波算法进行了研究，并提出了一种 改进BEMD的图像滤波算法，为后续图像分割工作打好了良好基础；通过对分割算法的 研究，提出了一种基于分层MRF的侧扫声呐图像快速分割算法，提高了传统分割算法的 分股速度和分割精度。李胜全等人首次将负反馈分析理论引入到海底图像处理论述了 声呐图像快速增强处理方法，并首次提出侧扫声呐图像镶嵌必须考虑增益因素。王雷等 人利用BEMD和GMRF改进模糊C均值聚类算法，
5、提出了新的聚类准则和距离函数， 形成了一种新的模糊聚类算法，提高了抗噪性和准确性。罗明愿1从聚类分析的角度提 取了声呐图像的感兴趣区域，分别用灰度信息和区域绝对粗糙度，灰度信息和分形维 数。灰度信息和局部区域表面积等，采取均值聚类等算法取得了良好结果。李阳研究 了多种图像预处理和模糊聚类算法，并在两种不同类型的神经网络分类器进行了侧扫声 呐图像海底底质的分类。刘小菊等人利用侧扫声呐在南海某珊瑚礁发现了沉船并对该 区域的侧扫声呐图像进行定量反演和重建。董凌宇等人构建了基于分形纹理特征的 Adaboost级联分类器沉船目标识别流程，有效提供了目标识别精度与识别效率。汤寓麟 等人提出了一种基于迁移学
6、习的卷积神经网络侧扫声呐沉船图像识别方法，从理论上 证明了该方法可以有效应用于海上搜救中。武银等人提出了一种联合迁移学习和深度 学习的沉船侧扫声呐图像识别方法，成功证明了迁移学习算法有利于提高小样本情况下 识别的正确率。郑毅等人网分析了侧扫声呐图像纹理特征，对该特征在沉船识别中的应 用提供了理论基础。在深度学习被广泛应用以来，李书东I提出了一种经过改进的深度学习侧扫声呐图 像沉船目标检测办法，并在对侧扫声呐条带图像沉船目标检测中取得了良好结果。余泽 芳2。】在Y0L0v3模型的基础上提出来一种多维度特征融合的Improved Y0L0v3,提高了 准确度和置信率，训练出了准确度更高的模型。张博
7、宇等人加利用卷积神经网络，通过 大量的数据训练，对众多结构的神经网络进行了对侧扫声呐沉船图像识别实验，得出了 DenSeNetl21 是六种神经网络（LeNet-5、AlexNet、VGG、GoogleNet、ResNet 系列、 DenseNet系列）中最适合水下沉船图像识别的网络结构。韩春花等人阳在充分理解侧扫 声呐原理及其数据分析处理方法后，开发了一款侧扫声呐数据处理软件，实现了对侧扫 声呐原始数据自动解析、参数提取统计、质量检测等功能。未来随着目标识别技术的进 一步发展，这样软件能不断更新迭代，以满足更多应用场景需要。Li等冏将空间金字塔 与在线数据集处理和Y0L0v3进行融合，提出了
8、一种基于YOLOv3方法的改进神经网 络。实验结果表明其不仅提高了检测精度，还提升了检测速度。Zha。等124提出了一种新型神经网络架构DeNet,主要在编码器和解码器之间获得更 多的上下文并仍保持较高精度，其不仅可以配备在SSS的auv上，而且在海洋勘探中也 有潜在应用价值。Zhu等【25实现了侧扫声呐瀑布图像中沉船目标的自动准确识别，构建 了 AdaBoost模型，提高了对样本图像的正确识别率。Lubis等国对侧扫声呐图像进行定 性和定量的可视化和解释，分析海底声波后向散射，并利用小波对声呐信号进行处理。Kumudham等27提出了在MATLAB软件环境中确定声呐图像数据并可以利用全球参考
9、系 统进行映射位置。Kim等28将DarkNet-19网络与ADAM优化器相结合，并证实该模型在 识别韩国海岸外圆柱体物体有最佳性能，但由于数据集偏少，且物体的高光信号和阴影 特征会因为海底背景的不同而不同，所以该研究结果还是偏向于特定条件。Ge等29】不仅 提出了一种基于卷积神经网络的侧扫声呐图像生成方法，利用较低成本有效解决了声学 难题，模拟的侧扫声呐图像与真实侧扫声呐图像高度相似，还提出了一种基于迁移学习 与合成数据的侧扫声呐图像分类方法。他们使用预先训练好的CNN网络模型不仅有效解 决了小数据样本会引发的过拟合问题，而且大大提高了分类精度。同时，他们也证实了 对于数据样本分布不均的数据
10、集，可以通过添加“模拟侧扫声呐图像”提高分类精度， 并且迁移学习仍可以正确对目标进行分类。Huang等刖针对声呐图像边界信息弱、噪声 干扰打、特征提取难度大的问题，提出了双重分割注意力(DSA) SOLO轻量级网络， 将空间注意力与通道注意力有效地融合在一起。其提出的网络利用C-S与S-C两个注意 力单元来确定“哪里”和“什么”值得关注，提高了网络对噪声的抵抗力。但其DSA模 块引入参数较大，影响了分割速度。Li等提出了一种用于图像分类和目标检测的迁移 学习法，通过将噪声添加到白化特征中，并使用没有任何信息的噪声作为深度特征来缩 小源域和目标域直接的域差距，从而提高了迁移学习的性能，同时也提高
11、了迁移学习在 特殊小样本图像分类任务领域的实际应用价值。本课题研究的意义和价值：水下失事残骸目标探测与识别是水下应急搜救的重要内容。世界上很多发达国家对 水下目标识别技术投入了大量的人力、物力，并取得了显著的成果。侧扫声呐作为水下 地貌图像的获取设备，具有价格低廉、分辨率高等优点，在海洋工程、海洋科学、海上 搜救、水下目标探测和识别等领域得到了广泛的应用。目前，对侧扫声呐图像的识别一 般采用人工判读的方式，但人工判读存在效率低、耗时长、资源消耗大及主观不确定性 强和过分依赖经验等问题。深度学习快速便捷，其在光学图像中的广泛应用与优势，使得其在声呐图像目标识 别中也具有广泛应用前景，但相关研究仍
12、是较少，其部分原因在于，声呐图像不易获 得，成本高，尤其失事残骸侧扫声呐图像少，相比较与光学图像数据量过少。对于这类 小样本问题，仍需要进行相关研究。所以本课题选用水下失事残骸作为研究对象，结合 深度学习网络模型，并根据侧扫声呐图像特点，研究基于水下声信息的模式识别方法。参考文献：1耿家营海洋扫测声呐技术综述J.中阿科技论坛(中英文),2022,No.43(09)128-132.2李勇航，牟泽霖，万范,海洋侧扫声呐探测技术的现状及发展J.通讯世 界,2015(03);213-214.3何勇光.海洋侧扫声呐探测技术的现状及发展J .工程建设与设计,2020(04):275-276.4李海滨，滕惠
13、忠，宋海英,段东方，黄毅.基于侧扫声呐图像海底目标物提取方法J.海 洋测绘,2010,30(06):71-73.5武鹤龙，邱政，张维全.侧扫声呐图像非下采样轮廓波变换域分区增强方法J .兵工 学报,2021,42(07): 1463-1470.6王磊,金绍华，崔杨，边刚，魏源.联合小波和NLM滤波的侧扫声呐回波信号降噪J. 海洋测绘,2021,41(03):69-73.7王磊，金绍华,崔杨等.剪切波变换下的侧扫声呐图像降噪方法J.舰船科学技 术,2022,44(03): 129-134.81刘晨晨.高分辨率成像声呐图像识别技术研究D,哈尔滨工程大学,2006.9王雷,侧扫声呐图像分割算法研究D
14、 ,哈尔滨工程大学,2013.10李胜全，滕惠忠，凌勇，刘雁春,严晓明.侧扫声呐图像实时增强技术J.应用声 学,2006(05):284-289.11王雷,叶秀芬，王天.模糊聚类的侧扫声呐图像分割算法J.华中科技大学学报(自然 科学版),2012,40(09):25-29.12罗明愿.侧扫声呐图像感兴趣区域提取算法研究D.哈尔滨工程大学,2011.13李阳,水下目标探测中的侧扫声呐图像处理技术研究D.哈尔滨工程大学,20614刘小菊，施祺，杨红强凋胜男.基于侧扫声呐影像的南海珊瑚礁沉船及周边地形重 建J .热带地理,2020,40(02):278-288.15董凌宇，单瑞，刘慧敏,于得水，杜凯
15、.基于分形纹理特征的侧扫声呐图像沉船识别方 法研究J .海洋地质与第四纪地质,2021,41(04):232-239.|16汤寓麟，金绍华，边刚，张永厚，李凡.侧扫声呐识别沉船影像的迁移学习卷积神经网 络法J .测绘学报,2021,50(02):260-269.17武锦，王晓，张丹阳凋海波,陈家儒.联合迁移学习和深度学习的侧扫声呐沉船识别 方法万.河南科技,2021,40(36):36-40.18郑毅.侧扫声呐图像纹理特征在分析沉船识别中的应用J.中国水 运,2022(S 1):200-204.19李书东.基于深度学习的侧扫声呐条带图像沉船探测方法研究D.江苏海洋大 学,2022.20余泽芳.
16、多维度特征融合的侧扫声呐图像目标检测设计与实现D,西北大学,2022.21张博宇，王晓，杨敬华等.卷积神经网络识别侧扫声呐影像的研究J,海洋科学进 展,2022,40(01):102-109.22韩春花，张俊明，梁建峰,戴秀杰.一款侧扫声呐数据处理软件的研发与应用J,北京 测绘,2012(05):44-47+43.23 Li, Jinrui, et al. Improved Neural Network with Spatial Pyramid Pooling and Online Datasets Preprocessing for Underwater Target Detection B
17、ased on Side Scan Sonar Imagery.1 Remote Sensing 15.2 (2023): 440.24 Zhao X, Qin R, Zhang Q, et al. DeNet: Dilated convolutional neural networks for sidescan sonar image semantic segmentation J. Journal of Ocean University of China, 2021,20(5): 1089-1096.25 Zhu, Bangyan, et al. Active learning for r
18、ecognition of shipwreck target in side-scan sonar image.n Remote Sensing 11.3 (2019): 243.26 Lubis, M. Z., et al. Discrete EquiSpaced Unshaded Line Array method for target identification using side scan sonar imagery.n IOP Conference Series: Earth and Environmental Science. Vol. 176. No. 1. IOP Publ
19、ishing, 2018.27 Kumudham, R., and V. Rajendran. HSide scan sonar image data mapping with geographic reference system.n Special Issue Adv Eng Sci 7.2.21 (2018): 410-413.28 Kim W K, Bae H S, Son S U, et al. Neural Network-Based Underwater Object Detection off the Coast of the Korean PeninsulaJ. Journa
20、l of Marine Science and Engineering, 2022, 10(10): 1436.29 Ge, Qiang, et aL ”Side-scan sonar image classification based on style transfer and pretrained convolutional neural networks.* Electronics 10.15 (2021): 1823.30 Huang H, Zuo Z, Sun B, et al. DSA-SOLO: Double Split Attention SOLO for Side- Sca
21、n Sonar Target SegmentationJ. Applied Sciences, 2022, 12(18): 9365.31 Li C, Ye X, Xi J, et al. A Texture Feature Removal Network for Sonar Image Classification and Detection J. Remote Sensing, 2023, 15(3): 616.二、本课题的基本内容，预计解决的难题基本内容：1 .采集数据集，进行目标分类；2 .搭建水下目标识别模型；3 .训练基于YOLO或其他深度学习网络模型的声呐图像信息检测模型；4 .
22、应用到模拟的场所中来实验，对系统的性能进行评价；预计解决的难题：1 .侧扫声呐图像成像理论研究与原始数据的分析；2 .侧扫声呐图像的预处理、目标识别与定位；3 .构建声呐图像检测数据集，尽可能地包括各类失事残骸情况；4 .训练不同声呐图像，提高识别精度；5 .侧扫声呐图像采集及处理上位机平台的搭建；三、课题的研究方法、技术路线：研究方法：1,查阅相关的论文、专利与产品，比较现有方法的优缺点确定本次毕业设计的算法 流程；2 .利用Python语言作为开发工具，在Windows系统下编写程序，开发基于YOLO的 水下声呐信息的失事残骸识别模型；3 .测试系统的性能（识别率与实时性能），针对问题进行
23、系统的升级与优化；技术路线：1 .采集数据集；2 .设计声呐图像识别算法的流程；3 .确定流程图中每个子模块的功能与方法；4 .训练基于YOLO的声呐图像检测模型；5 .对模型进行测试。四、研究工作条件和基础:研究工作条件1 .硬件条件：利用电气工程学院2021届挑战杯智能水下检修机器人项目为依托平台，具 有丰富的前期调查经验及工作积累，也具有计算机与常用电子研发工具等便利 条件，检测相应的声呐图像；2 .软件条件：利用Matlab或者Python语言作为开发语言进行软件编程；研究基础1. 基于深度学习的行为识别算法；2. YOLO网络结构；3. CNN卷积神经网络；4. Python语言进行
24、软件编程；理论基础L模式识别：各种分类器的概念与训练方法。5. 数字图像处理：运动目标检测、图像分割、特征的提取图像的读取与表示。五、进度计划1-3周收集资料、消化资料、撰写开题报告。4-6周确定功能实现的总体方案及上位机系统的开发。声呐图像预处理。7-8周13-14 周撰写毕业设计论文。9-12 周水下目标识别模型的应用与改进。516周修改完善毕业设计论文，毕业设计成果演示和验收，进行毕业设计答辩。论文阶段完成日期文献调研完成论文实验完成日在rt撰写论文完成 1I 4+rt评议答辩完成日44-rt指 导 教 师 评 语同意开题导师签名：2023年3月1日教 研 室忌 见通过教研室（系）主任签名：2023年3月1日学 院思见通过开题（4）开题不通过（）教学院长签名：2023年3月1日