Методологія багатовидового розпізнавання цілей у даних сонара бокового огляду
DOI:
https://doi.org/10.18372/1990-5548.89.21468Ключові слова:
автоматичне розпізнавання цілей, багатовидова класифікація, інтелектуальний аналіз сонарних даних, комп’ютерний зір, сонар бокового огляду, штучний інтелектАнотація
Сонар бокового огляду широко використовується для отримання зображень дна водойм, однак автоматизоване розпізнавання цілей у таких даних ускладняється акустичним шумом, смуговими артефактами, залежністю вигляду об’єкта від ракурсу спостереження, похибками навігації та повторним виявленням однієї фізичної цілі у різних проходах або місіях. Метою роботи є розроблення методології багатовидового розпізнавання цілей у даних сонара бокового огляду, яка забезпечує перехід від окремих сонарних зображень і детекцій до рівня фізичних об’єктів на дні. Запропонована методологія поєднує підготовку даних місій, виявлення змін між повторними місіями, оцінювання кількості фізичних цілей, кластеризацію детекцій, локалізацію, формування ознак візуальної подібності, навчання глибоких моделей та багатовидову класифікацію. Вхідними даними є місії сонара, траєкторні дані, сонарні зображення, метадані та детекції об’єктів, а вихідними результатами – гіпотези про фізичні цілі, їх координати, інформація про зміни між місіями та класові мітки. Окремі складові методології перевірено на синтетичних і реальних наборах даних з використанням відповідних метрик якості. Результати показали підвищення стійкості виявлення змін на зашумлених зображеннях, оцінювання кількості цілей з похибкою не більше одного об’єкта, покращення кластеризації та локалізації за рахунок просторових, топологічних і візуальних ознак, а також підвищення якості багатовидової класифікації на рівні фізичних об’єктів. Методологія формує єдиний модульний процес аналізу багаторазових місій сонара бокового огляду та може бути використана як основа для автоматизованих систем підводного моніторингу, пошуку об’єктів, гуманітарного розмінування, обстеження інфраструктури та підтримки прийняття рішень оператором.
Посилання
O. Drobot, “Underwater development as a scientific direction: integration of innovation, analytics and academic potential,” presented at the National Conference on Underwater Development “Safety Depth,” Ministry defense of Ukraine, Nov. 2025. [in Ukrainian].
[2] M. Motylinski, A. J. Plater, and J. E. Higham, “Computer vision methods for side scan sonar imagery,” Meas. Sci. Technol., vol. 36, no. 1, p. 015435, Jan. 2025, https://doi.org/10.1088/1361-6501/ad99f1.
[3] Z. Heng, H. Shuping, X. Jingfeng, H. Yaohui, and H. Yubo, “A Review of Intelligent Detection Methods for Underwater Targets in Sonar Images,” in 2023 IEEE 7th Information Technology and Mechatronics Engineering Conference (ITOEC), Sep. 2023, pp. 1462–1468. https://doi.org/10.1109/ITOEC57671.2023.10291340.
[4] Y. Steiniger, D. Kraus, and T. Meisen, “Survey on deep learning based computer vision for sonar imagery,” Engineering Applications of Artificial Intelligence, vol. 114, p. 105157, Sep. 2022, https://doi.org/10.1016/j.engappai.2022.105157.
[5] G. Cheng et al., “Change Detection Methods for Remote Sensing in the Last Decade: A Comprehensive Review,” May 09, 2023, arXiv:2305.05813. https://doi.org/10.48550/arXiv.2305.05813.
[6] Y. Steiniger and S. Schröder, “Studying Deep Learning Based Co-Registration for Incoherent Change Detection,” in International Conference on Underwater Acoustics 2024, Bath, UK: Institute of Acoustics, May 2024. https://doi.org/10.25144/22276.
[7] X. Fan, L. Lu, P. Shi, and X. Zhang, “A novel sonar target detection and classification algorithm,” Multimed Tools Appl, vol. 81, no. 7, pp. 10091–10106, Mar. 2022, https://doi.org/10.1007/s11042-022-12054-4.
[8] S. Zhuang and C. Chen, “Aerial battlefield targets grouping based on DTW-DBSCAN algorithm,” in 2021 40th Chinese Control Conference (CCC), Shanghai, China: IEEE, Jul. 2021, pp. 3397–3402. https://doi.org/10.23919/CCC52363.2021.9550653.
[9] L. Zhang, Q. Wang, Y. Guo, S. Xu, and L. Wang, “A Novel Method for Small-Target Detection in Sea Clutter: Spectral Clustering Based on Neighborhood Density Similarity Measure,” IEEE Sensors J., vol. 25, no. 2, pp. 2988–2997, Jan. 2025, https://doi.org/10.1109/JSEN.2024.3499954.
[10] O. Katrusha, “Classification of Targets from Multi-View Side-Scan Sonar Imagery,” presented at the ASPAI’26, Jun. 26, 2026. [Online]. Available: https://sensorsportal.com/ASPAI/ASPAI_2026_Proceedings.pdf
[11] V. Myers and D. P. Williams, “Adaptive Multiview Target Classification in Synthetic Aperture Sonar Images Using a Partially Observable Markov Decision Process,” IEEE J. Oceanic Eng., vol. 37, no. 1, pp. 45–55, Jan. 2012, https://doi.org/10.1109/JOE.2011.2175510.
[12] D. P. Williams, R. Hamon, and I. D. Gerg, “On the Benefit of Multiple Representations with Convolutional Neural Networks for Improved Target Classification Using Sonar Data,” in Underwater Acoustic Conference and Exhibition Series, 2019, pp. 187–194.
[13] A. Khan, M. M. Fouda, D.-T. Do, A. Almaleh, A. M. Alqahtani, and A. U. Rahman, “Underwater Target Detection Using Deep Learning: Methodologies, Challenges, Applications, and Future Evolution,” IEEE Access, vol. 12, pp. 12618–12635, 2024, https://doi.org/10.1109/ACCESS.2024.3353688.
[14] X. Luo, L. Chen, H. Zhou, and H. Cao, “A Survey of Underwater Acoustic Target Recognition Methods Based on Machine Learning,” JMSE, vol. 11, no. 2, p. 384, Feb. 2023, https://doi.org/10.3390/jmse11020384.
[15] X. Du, Y. Sun, Y. Song, H. Sun, and L. Yang, “A Comparative Study of Different CNN Models and Transfer Learning Effect for Underwater Object Classification in Side-Scan Sonar Images,” Remote Sensing, vol. 15, no. 3, p. 593, Jan. 2023, https://doi.org/10.3390/rs15030593.
[16] Y. Chai, H. Yu, L. Xu, D. Li, and Y. Chen, “Deep Learning Algorithms for Sonar Imagery Analysis and Its Application in Aquaculture: A Review,” IEEE Sensors J., vol. 23, no. 23, pp. 28549–28563, Dec. 2023, https://doi.org/10.1109/JSEN.2023.3324438.
[17] L. C. F. Domingos, P. E. Santos, P. S. M. Skelton, R. S. A. Brinkworth, and K. Sammut, “A Survey of Underwater Acoustic Data Classification Methods Using Deep Learning for Shoreline Surveillance,” Sensors, vol. 22, no. 6, p. 2181, Jan. 2022, https://doi.org/10.3390/s22062181.
[18] X. Tong and Y. Wang, “Active Multiview Fusion Framework for SAR Automatic Target Recognition,” IEEE Trans. Instrum. Meas., vol. 73, pp. 1–14, 2024, https://doi.org/10.1109/TIM.2023.3341140.
[19] R. A. Dakhil and A. R. H. Khayeat, “Review on Deep Learning Techniques for Underwater Object Detection,” in Data Science and Machine Learning, Academy and Industry Research Collaboration Center (AIRCC), Sep. 2022, pp. 49–63. https://doi.org/10.5121/csit.2022.121505.
[20] Q. Teng, X. Yang, Q. Sun, P. Wang, X. Wang, and T. Xu, “Sequential attention layer-wise fusion network for multi-view classification,” Int. J. Mach. Learn. & Cyber., Jul. 2024, https://doi.org/10.1007/s13042-024-02260-x.
[21] L. Yan et al., “EM-Based Algorithm for Unsupervised Clustering of Measurements from a Radar Sensor Network,” IEEE Trans. Aerosp. Electron. Syst., vol. 61, no. 1, pp. 787–801, Feb. 2025, https://doi.org/10.1109/TAES.2024.3448390.
[22] Y. Luo, X. Li, J. Wang, and S. Chen, “Clustering and Tracking-Guided Infrared Spatial–Temporal Small Target Detection,” IEEE Trans. Geosci. Remote Sensing, vol. 62, pp. 1–20, 2024, https://doi.org/10.1109/TGRS.2024.3384440.
[23] Y. Zhang, P. Peng, and R. Lu, “Research on Target Grouping Method Based on Graph Neural Network,” in 2022 7th International Conference on Computer and Communication Systems (ICCCS), Wuhan, China: IEEE, Apr. 2022, pp. 32–36. https://doi.org/10.1109/ICCCS55155.2022.9846007.
[24] A. Shafique, G. Cao, Z. Khan, M. Asad, and M. Aslam, “Deep Learning-Based Change Detection in Remote Sensing Images: A Review,” Remote Sensing, vol. 14, no. 4, p. 871, Feb. 2022, https://doi.org/10.3390/rs14040871.
[25] Y. Afaq and A. Manocha, “Analysis on change detection techniques for remote sensing applications: A review,” Ecological Informatics, vol. 63, p. 101310, Jul. 2021, https://doi.org/10.1016/j.ecoinf.2021.101310.
[26] O. Katrusha, D. Prylipko, and K. Yefremov, “Change detection in side-scan sonar imagery based on deep learning feature matching methods,” EEJET, vol. 6, no. 2 (138), pp. 52–62, Dec. 2025, https://doi.org/10.15587/1729-4061.2025.346940.
[27] W. Jiang, Y. Sun, L. Lei, G. Kuang, and K. Ji, “Change detection of multisource remote sensing images: a review,” International Journal of Digital Earth, vol. 17, no. 1, p. 2398051, Dec. 2024, https://doi.org/10.1080/17538947.2024.2398051.
[28] W. Hedlund, “Change Detection in Synthetic Aperture Sonar Imagery Using the Segment Anything Model,” 2024.
[29] P. J. Rousseeuw, “Silhouettes: A graphical aid to the interpretation and validation of cluster analysis,” Journal of Computational and Applied Mathematics, vol. 20, pp. 53–65, Nov. 1987, https://doi.org/10.1016/0377-0427(87)90125-7.
[30] “SonarWiz Sidescan.” Accessed: Mar. 03, 2026. [Online]. Available: https://chesapeaketech.com/products/sonarwiz-sidescan/
[31] O. Katrusha, “Deep Similarity Model for Improving Clustering of Sonar Object Detections,” in Science, Technology and Industry in the Digital Age, Hamburg, Germany: International Scientific Unity, Mar. 2026, pp. 243–246. https://doi.org/10.70286/isu-18.03.2026.038.
[32] M. Zaheer, S. Kottur, S. Ravanbakhsh, B. Poczos, R. Salakhutdinov, and A. Smola, “Deep Sets,” Machine Learning, Apr. 14, 2018, https://doi.org/10.48550/arXiv.1703.06114.
Downloads
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Олександр Миколайович Катруша , Костянтин Вікторович Єфремов
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Науковий журнал "Електроніка та системи управління" дотримується принципів відкритого доступу (Open Access) та забезпечує вільний, негайний і постійний доступ до всіх опублікованих матеріалів без фінансових, технічних або юридичних обмежень для читачів.
Усі статті публікуються у відкритому доступі відповідно до ліцензії Creative Commons Attribution 4.0 International (CC BY 4.0).
Авторські права
Автори, які публікують свої роботи в журналі ""Електроніка та системи управління":
-
зберігають за собою авторські права на свої публікації;
-
надають журналу право на перше опублікування статті;
-
погоджуються на поширення матеріалів за ліцензією CC BY 4.0;
-
мають право повторно використовувати, архівувати та поширювати свої роботи (у тому числі в інституційних та тематичних репозитаріях) за умови посилання на первинну публікацію в журналі.
