基于Gammatone滤波器组时频谱和卷积神经网络的海底底质分类∗

逄 岩 许 枫 刘 佳

(1 中国科学院声学研究所 北京 100190)

(2 中国科学院大学 北京 100049)

0 引言

利用采样工具进行站点式取样底质数据完成海底底质的探测与分类虽然准确直观，却存在着效率低以及不适合大规模调查等缺点[1]。底质数据的获取是完成底质分类的基础，通过侧扫声呐获取底质数据具有操作简单、覆盖面积广以及分辨率高等优点。目前利用侧扫声呐获取底质数据进行底质分类主要有两种研究思路：一是提取海底底质的侧扫声呐图像纹理等特征完成底质分类[2−3]；二是校正获取的侧扫声呐数据得到只与底质类型有关的散射强度数据，提取有效分类特征实现底质分类[4−5]。

模拟耳蜗听觉模型的Gammatone 滤波器组(Gammatone filter banks,GFB)具有较高语声识别准确率和抗噪能力，能够有效分析非平稳信号，描述信号的瞬间变化[6−7]。由于底质存在凹凸不平等非均匀性特征，声波会在底质表面发生随机散射，从而导致底质反向散射的声波信号具有非平稳性以及瞬变特性，因此Gammatone 滤波器组可以用于分析底质反向散射信号。近年来，以卷积神经网络(Convolutional neural networks,CNN)为主的深度学习方法在目标检测[8]、人脸识别[9]以及文本分类[10]等领域得到广泛应用，将CNN 方法应用到海底底质分类逐步成为一种研究趋势。Berthold等[11]通过GoogLeNet 对砾石、泥、沙和混合底质4 种底质进行初步分类;Luo 等[12]利用深层和浅层CNN 模型对石、泥和沙3 种底质进行分类比较，在取得优秀的分类表现的同时发现浅层CNN 模型的分类性能优于深层CNN 模型。……