基于声学图像的水下救援目标检测
1School of Instrument Science and Engineering, Southeast University, Nanjing 210000, China.
Sensors (Basel, Switzerland)
|March 28, 2024
概括
这项研究引入了一种新的深度学习模型,用于水下声学救援目标检测,提高在水中紧急情况中搜索和救援失踪人员的效率. 该方法在复杂的环境中提高了小目标检测准确度,使用异质信息层次迁移学习.
科学领域:
- 机器人技术和自主系统
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 有效的水下搜索和救援对于水灾时的溺水受害者来说至关重要.
- 传统的方法受到复杂的水下环境和低可见度的限制.
- 配备声纳和深度学习的无人水下车辆 (UUV) 为主动搜索提供了更高的效率.
研究的目的:
- 开发一种先进的算法,用于水下声学救援目标检测,特别是针对小型目标.
- 为了应对声学图像深度转移学习中的跨领域适应性的挑战.
- 创建一个适合水下无人机嵌入式系统的轻量级高效模型.
主要方法:
- 使用深度转移学习构建基于声音的救援目标数据集.
- 提出了一种双分支卷积模块和改进的YOLOv5s算法,用于小型声学目标检测.
- 开发一种异质信息层次迁移学习方法,结网络层来提高准确性.
- 将ShuffleNetv2集成为适用于水下无人机的轻型模型.
主要成果:
- 与直接微调相比,提出的异质信息层次迁移学习方法显示出优越的跨领域适应性.
- 改进的YOLOv5s模型与双分支卷积模块显著提高了小型声学目标的检测精度.
- 基于轻量级的ShuffleNetv2模型在水下搜索和救援目标检测任务中实现了最先进的性能.
- 广泛的比较实验验证实了开发方法在各种声学图像上的可行性和有效性.
结论:
- 开发的深度学习方法为救援行动的水下声学目标检测提供了重大进步.
- 不同质的信息层次迁移学习方法有效地克服了光学和声学数据之间的领域转移问题.
- 这种轻量级模型非常适合在资源有限的水下无人机上实时部署,增强搜索和救援能力.
