多波束水柱數據中氣泡羽狀流探測方法與研究

孟俊霞

安徽建筑大學土木工程學院，安徽 合肥 230601

天然氣水合物具有海底分布廣、儲量豐富、清潔高效等特點，具有極高的資源價值，一直是長期研究的熱點。開發和利用天然氣水合物首先需解決探測問題。氣泡羽狀流是天然氣水合物泄漏在海水中形成的氣柱，可表征和發現天然氣水合物的存在；新一代多波束具有記錄水柱數據的能力，可獲取換能器到海底間的聲學信息，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主要基于簡單閾值法+人工目視方法，存在人為干擾因素大，費時費力等不足，故本文開展基于多波束水柱數據的氣泡羽狀流探測方法研究，以期為我國天然氣水合物提供一種自動探測方法。論文的主要內容如下：

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

該方法包括5個步驟：水柱數據直方圖分布分析；對時間-角度水柱圖像進行分扇區CFAR閾值分割；對深度-角度水柱圖像進行分扇區CFAR閾值分割；取交集消除多數旁瓣影響噪聲、與水深相關噪聲和背景噪聲，然后轉換為深度-垂直航跡水柱圖像；進行氣泡羽狀流形態約束。并討論了虛警概率和k值的選取問題。

使用淺水EM710多波束水柱數據和深水EM122多波束水柱數據進行了基于扇區CFAR閾值分割和形態約束的氣泡羽狀流探測試驗，分別獲得了86%、99%的總正確檢測率及86%、80%的氣泡羽狀流正確檢測率，驗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。由于聲吶水柱圖像不像光學圖像特征明顯，傳統的圖像特征往往使得識別精度不高，因而特征的優選對于水柱圖像氣泡羽狀流探測至關重要，同時對于提取的氣泡羽狀流特征，不同分類器表現差異較大。為了有效地提高對氣泡羽狀流的識別精度，首先根據水柱圖像氣泡羽狀流特點分析優選出能夠最好地表達氣泡羽狀流的BOW特征，然后基于BOW特征優選出具有最好識別精度和較高效率的Quadratic SVM分類器，在此基礎上提出了基于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方法與流程。

試驗驗證結果為：氣泡羽狀流樣本集分類識別率98%；EM710水柱數據氣泡羽狀流探測總正確檢測率89%；氣泡羽狀流正確檢測率91%。

(3)基于自適應卷積神經網絡模型的水柱圖像氣泡羽狀流探測。由于經典的卷積神經網絡模型都是基于光學圖像，利用這些模型進行遷移學習和特征提取，用于水柱圖像中使得氣泡羽狀流識別精度難以提高，且計算消耗較大。為此，建立了顧及水柱圖像氣泡羽狀流識別問題特點的自適應卷積神經網絡模型，并給出了完整的探測流程。

顧及水柱圖像氣泡羽狀流識別問題特點，在卷積神經網絡模型建立各個環節進行適應性優化，通過選擇正確的激活函數與損失函數、分析對比得到合適的模型層數、合理的網絡優化算法等，建立了適應氣泡羽狀流目標識別的卷積神經網絡模型，給出了完整探測流程。

提出方法在氣泡羽狀流樣本集分類識別中實現了99.6%的識別率，在EM710水柱數據氣泡羽狀流探測中獲得了90%的總正確檢測率及92%的氣泡羽狀流正確檢測率。