基于物理特性的侧扫声纳感知技术：通过几何与频率解耦手段应对微弱目标及稀疏碎片问题 余博健（Bojian Yu）、 林荣生（Rongsheng Lin）、 周汉翔（Hanxiang Zhou）、 张建雄（Jianxiong Zhang） 以及 张新伟（Xinwei Zhang）

《Sensors》：Physics-Informed Side-Scan Sonar Perception: Tackling Weak Targets and Sparse Debris via Geometric and Frequency Decoupling Bojian Yu, Rongsheng Lin, Hanxiang Zhou, Jianxiong Zhang and Xinwei Zhang

侧扫声纳辅助的自主水下机器人目标检测方法WPG-DetNet，通过Wavelet-Embedded Residual Backbone重构 downsampling，结合Debris Graph Reasoning Module建模碎片拓扑关系，以及Shadow-Aided Decoupling Head实现声影几何损失优化，有效克服水声噪声、碎片不连续性和小目标特征弱问题，在SCTD数据集上AP95达97.5%、Recall96.9%，性能优于Faster R-CNN和Transformer模型，推理速度62.5 FPS，参数量16.8M。

　　

摘要

侧扫声纳（SSS）是自主水下航行器（AUV）在大规模海洋搜索与救援（SAR）任务中的主要感知工具。然而，关键目标的检测经常受到严重的水声噪声、残骸的空间不连续性以及小型目标微弱视觉特征的阻碍。为应对这些挑战，本文提出了WPG-DetNet算法。首先，我们引入了小波嵌入残差主干网络（WERB）来重构传统的下采样机制。通过用离散小波变换（DWT）替代标准池化操作，该架构在频域中明确区分了高频噪声和结构信息，从而在保留大型人造目标边缘细节的同时过滤掉斑点干扰。其次，针对飞机残骸不连续性的问题，该框架进一步加入了碎片图推理模块（D-GRM）。该模块将散落的碎片建模为拓扑图中的节点，以捕捉长距离的语义依赖关系，将孤立的目标识别转化为具有上下文意识的场景理解。最后，为了弥合人工智能与水下物理现象之间的差距，我们设计了基于阴影辅助解耦的头层（SADH），并引入了基于物理知识的几何损失函数。通过强制目标高度与声学阴影长度之间的数学一致性，该机制建立了一个严格的判别标准，能够根据阴影几何特征区分微弱回声的人体和海底岩石。在SCTD数据集上的实验表明，WPG-DetNet的平均精确度达到了97.5%，召回率为96.9%。定量分析显示，该框架在平均精确度方面比经典的Faster R-CNN高出12.8%；在高精度定位指标上，其性能优于基于Transformer的RT-DETR-R18模型5.6%。 同时，WPG-DetNet保持了较高的效率，推理速度达到62.5 FPS，参数数量仅为16.8百万个，实现了鲁棒感知与AUV实时操作需求之间的最佳平衡。