基于深度学习的声纳点云目标识别系统

1. 痛点问题

水下目标识别在海底地形探测、障碍物规避、目标定位与跟踪等用途中发挥着极为重要的作用。相比于成像范围有限且不直观的全海深二维前视声纳设备，全海深三维前视成像声纳系统可以提供更直观可靠的三维场景信息，提供充足的信息量用于辅助潜水器的操作和判断。然而，三维声纳点云的目标识别技术目前仍然面临着许多问题：

（1） 数据质量不足，环境复杂多变。海洋环境下的三维声纳点云数据存在空间分辨率较低、信噪比较低、场景不断变化等问题；

（2） 数据数量有限，有标注数据量少。海洋环境的复杂性使得获取大规模训练数据的成本大幅增加；

（3） 数据稀疏性高，计算冗余明显。三维声纳点云存在空间稀疏性的特点，常规处理方法很难直接适配；

（4） 计算成本较高，难以实际部署。现在针对三维声纳点云数据的目标识别方法计算复杂度较高，潜水器搭载的边缘计算设备很难满足算力需求。

2. 解决方案

本技术成果包含以下核心技术点：

（1）针对动态海洋环境，设计了基于长短时记忆网络的动态点云数据目标识别建模方法；

（2）针对训练数据不足，设计了基于声光跨模态语义匹配和点云目标回溯追踪的图像辅助训练方法；

（3）针对数据稀疏性问题，设计了基于深度图网络的三维成像目标识别技术；

（4）针对实际部署时面临的算力瓶颈，设计了针对声纳点云数据的轻量化网络架构设计与自适应推理技术。

基于上述技术，本技术成果可实时精确处理声纳点云数据，克服了数据空间分辨率低、目标信号微弱以及计算硬件资源有限等难点，实现了对点云数据中特定目标的自动识别与跟踪，提升了全海深三维成像探测系统的智能化与自动化程度。

基于深度学习的声纳点云目标识别系统示意图