شناسایی صداهای منتشر شده از شناورهای سطحی با استفاده از الگوریتم کانولوشنی موبایل‌نت

با حرکت شناورها بر روی آب و فعالیت موتورهای پیشرانه و چرخش پروانه‌های آن، سیگنال‌های صوتی از آنها منتشر می‌شود که اصطلاحاً به آن نویز منتشر شده از کشتی گفته می‌شود. امروزه نیروهای دریایی جهان با استفاده از این صداها، نسبت به شناسایی شناورهای سطحی عبوری از آب‌های سرزمینی و بین‌المللی اقدام می‌کنند. یکی از بهترین روش‌ها برای دسته‌بندی و شناسایی شناورها با توجه به صداهای منتشر شده از آنها، یادگیری عمیق است. با استفاده از یادگیری عمیق، ویژگی‌های منحصربه‌فرد سیگنال قابل‌استخراج بوده که از دقت بالایی در شناسایی اهداف برخوردار است.  در این مقاله مدلی مبتنی بر شبکه موبایل نت طراحی گردیده است که سیگنال‌های صوتی دریافت شده توسط گیرنده‌های صوتی زیر آب‌ (هایدروفون‌ها) را پردازش نموده و درنهایت بادقت بالایی طبقه‌بندی می‌نماید. ورودی این مدل تصاویر طیف‌نگار مربوط به داده‌های صوتی سونار غیرفعال است که با استفاده از تبدیل فرکانسی کوتاه‌مدت (stft) تولید شده‌اند. این مدل در برنامه پایتون و با استفاده از کتابخانه کراس ایجاد شده و نتایج به دست آمده نشان می‌دهد دقت شناسایی مدل پیشنهادی بیش از 96% و زیان ارزیابی آن کمتر از 3% است. نسبت به روش‌های متداول یادگیری عمیق، روش پیشنهادی علاوه بر داشتن سرعت محاسباتی مناسب، از دقت شناسایی قابل قبولی نیز برخوردار است.

recognition of acoustic emitted from surface vessels using mobilenet convolutional algorithm

with the movement of the vessels in the water and the activity of the propulsion engines and the rotation of its propellers, they emit sound signals from them, which are called the ship’s radiated noises. today, the naval forces of the world use these sounds to identify surface vessels passing through territorial and international waters. one of the best methods for classifying and recognizing vessels according to the sounds emitted by them is deep learning. by using deep learning, it can extract the unique features of the signal, which have high accuracy in recognition. this paper designed a model based on the mobilenet network, which processes the acoustic signals received by underwater sound receivers (hydrophones) and finally classifies them with high accuracy. the input of this model is the spectrogram images related to passive sonar sound data, which are produced using short-term frequency transformation (stft). we created this model in the python program using the keras library and the results show that the accuracy of the proposed model is more than 96% and its evaluation loss is less than 3%. compared to the common methods of deep learning, the proposed method, in addition to having a suitable calculation speed, also has an acceptable recognition accuracy.