(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111676496.0 (22)申请日 2021.12.31 (71)申请人 华中科技大 学 地址 430074 湖北省武汉市洪山区珞喻路 1037号 (72)发明人 张天序　郭婷　郭诗嘉　张庆辉　 杨成　王嘉伟　张涛　谭建东　 (74)专利代理 机构 武汉华之喻知识产权代理有 限公司 42 267 代理人 邓彦彦　廖盈春 (51)Int.Cl. G06K 9/00(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种多物理场融合探测识别潜航器的方法 及系统 (57)摘要 本发明提供一种多物理场融合探测识别潜 航器的方法及系统， 包括： 获取海洋背景场的图 像； 获取海洋背景场的功率谱数据； 根据图像确 定海洋背景场中是否包含水面船舶， 若包含水面 船舶， 则将功率谱数据输入到预先训练好的第一 种神经网络分类模型， 若不包含水面船舶， 则将 功率谱数据输入到预先训练好的第二种神经网 络分类模型； 第一种神经网络分类模 型用于对水 面船舶、 潜航器以及海洋背景进行识别分类， 第 二种神经网络分类模型用于对潜航器和海洋背 景进行识别分类； 当第一种神经网络分类模型输 出的潜航器的识别概率值大于第一预设概率值， 或第二种神经网络分类模型输出的潜航器的识 别概率值大于第二预设概率值时， 则探测到潜航 器。 本发明检测识别率高。 权利要求书3页 说明书13页 附图6页 CN 114330450 A 2022.04.12 CN 114330450 A 1.一种多物理场融合探测识别潜航器的方法， 其特 征在于， 包括如下步骤： 获取海洋背景场的图像； 所述图像为可见光图像和 红外图像中的至少一种； 所述海洋 背景场中可能包括水面船舶和潜航器中的至少一种铁磁性目标； 获取海洋 背景场的功率谱数据； 根据所述图像确定所述海洋背景场中是否包含水面船舶， 若包含水面船舶， 则将所述 功率谱数据输入到预先训练好的第一种神经网络分类模型， 若不包含水面船舶， 则将所述 功率谱数据输入到预先训练好的第二种神经网络分类模型； 所述第一种神经网络分类模型 用于对水面船舶、 潜航器以及海洋背景进行识别分类， 所述第二种神经网络分类模型用于 对潜航器和海洋 背景进行识别分类； 当所述第一种神经网络分类模型输出的潜航器的识别概率值大于第 一预设概率值， 或 所述第二种神经网络分类模型输出的潜航器的识别概率值大于第二预设概率值时， 则确定 在所述海洋 背景场中探测到潜航器。 2.根据权利要求1所述的多物 理场融合探测 识别潜航器的方法， 其特征在于， 所述第 一 种神经网络分类模型和第二种神经网络分类模型均包括： 局部特征提取模块、 全局特征提 取模块、 特 征融合模块以及分类识别模块； 所述局部特 征提取模块， 用于通过 卷积神经网络提取 所述功率谱的局部特 征向量； 所述全局特 征提取模块， 用于通过全连接层提取 所述功率谱的全局特 征向量； 所述特征融合模块， 用于将所述局部特征向量和全局特征向量拼接， 得到融合特征向 量； 所述分类识别 模块， 用于通过全连接层和Softmax激活函数实现分类识别， 确定每一类 别的概率； 采用包含水面船舶、 潜航器以及海洋背景三种目标的功率谱数据对上述各个模块进行 训练， 得到训练好的第一种神经网络分类模型； 采用包含潜航器和海洋背景两种目标的功率谱数据对上述各个模块进行训练， 得到训 练好的第二种神经网络分类模型。 3.根据权利要求2所述的多物 理场融合探测 识别潜航器的方法， 其特征在于， 所述局部 特征提取模块包括： 卷积层、 激活层以及池化层； 所述卷积层， 用于对接收到功率谱进行线性变换； 所述激活层， 用于增 加神经网络各层之间的非线性关系； 所述池化层， 用于对线性变换后的特征降维， 并对降维后的特征进行压缩， 以提取出功 率谱的局部特 征向量。 4.根据权利要求2所述的多物 理场融合探测 识别潜航器的方法， 其特征在于， 所述全局 特征提取模块包括： 全连接层； 所述全连接层， 用于充分利用输入功率谱数据的所有信息， 以捕获不同类别的功率谱 信息的差异， 提取 出功率谱的全局特 征向量。 5.根据权利要求1至4任一项所述的多物理场融合探测识别潜航器的方法， 其特征在 于， 所述第一种神经网络分类模型和 第二种神经网络分类模型的总体识别率和平均 识别率 分别为： 总体识别率：权　利　要　求　书 1/3 页 2 CN 114330450 A 2式中， Accuracy为总体识别率， Rightpred为测试集中被预测正确的功率谱数据的总数 量， Total 为测试集中功率谱数据的总数量； 平均识别率A VG： 式中， Accuracyi为第i类目标的识别率， 其中， αi为第i类目标识别率所占的权重值， Righti为测试集中第i类目标被预测正确的功率谱数据的总数量， Totali为测试集中第i类 目标功率谱数据的总数量， n 为目标的总类别数。 6.一种多物理场融合探测识别潜航器的系统， 其特 征在于， 包括： 图像数据获取单元， 用于获取海洋背景场的图像； 所述图像为可见光图像和 红外图像 中的至少一种； 所述海洋 背景场中可能包括水面船舶和潜航器中的至少一种铁磁性目标； 功率谱数据获取 单元， 用于获取海洋 背景场的功率谱数据； 潜航器识别单元， 用于根据所述图像确定所述海洋背景场中是否包含水面船舶， 若包 含水面船舶， 则将所述功率谱数据输入到预先训练好的第一种神经网络分类模型， 若不包 含水面船舶， 则将所述功率谱数据输入到预先训练好的第二种神经网络分类模型； 所述第 一种神经网络分类模型用于对水面船舶、 潜航器以及海洋背景进行识别分类， 所述第二种 神经网络分类模型用于对潜航器和海洋背 景进行识别分类； 以及当所述第一种神经网络分 类模型输出的潜航器的识别概率值大于第一预设概率值， 或所述第二种神经网络分类模型 输出的潜航器的识别概率值大于第二预设概率值时， 则确定在所述海洋背 景场中探测到潜 航器。 7.根据权利要求6所述的多物 理场融合探测 识别潜航器的系统， 其特征在于， 所述潜航 器识别单元所用的第一种神经网络 分类模型和 第二种神经网络 分类模型均包括： 局部特征 提取模块、 全局特 征提取模块、 特 征融合模块以及分类识别模块； 所述局部特 征提取模块， 用于通过 卷积神经网络提取 所述功率谱的局部特 征向量； 所述全局特 征提取模块， 用于通过全连接层提取 所述功率谱的全局特 征向量； 所述特征融合模块， 用于将所述局部特征向量和全局特征向量拼接， 得到融合特征向 量； 所述分类识别 模块， 用于通过全连接层和Softmax激活函数实现分类识别， 确定每一类 别的概率； 采用包含水面船舶、 潜航器以及海洋背景三种目标的功率谱数据对上述各个模块进行 训练， 得到训练好的第一种神经网络分类模型； 采用包含潜航器和海洋背景两种目标的功率谱数据对上述各个模块进行训练， 得到训 练好的第二种神经网络分类模型。 8.根据权利要求7所述的多物 理场融合探测 识别潜航器的系统， 其特征在于， 所述局部权　利　要　求　书 2/3 页 3 CN 114330450 A 3