한국음향학회지 (The Journal of the Acoustical Society of Korea)

  • 제43권1호
  • /
  • Pages.78-88
  • /
  • 2024
  • /
  • 1225-4428(pISSN)
  • /
  • 2287-3775(eISSN)
한국음향학회 (The Acoustical Society of Korea)
권호 표지
DOI QR코드

DOI QR Code

딥러닝을 이용한 DEMON 그램 주파수선 추출 기법 연구

A study on DEMONgram frequency line extraction method using deep learning

  • 신원식 (한양대학교 ERICA 지능정보융합공학과) ;
  • 권혁종 (국방기술진흥연구소) ;
  • 설호석 (한양대학교 ERICA 해양융합과학과) ;
  • 신원 (한양대학교 ERICA 전자공학과) ;
  • 고현석 (한양대학교 ERICA 지능정보융합공학과) ;
  • 송택렬 (한양대학교 ERICA 전자공학부) ;
  • 김다솔 (LIG넥스원(주)) ;
  • 최강훈 (LIG넥스원(주)) ;
  • 최지웅 (한양대학교 ERICA 지능정보융합공학과)
  • 투고 : 2023.09.04
  • 심사 : 2023.11.24
  • 발행 : 2024.01.31
PDF 다운로드
⟨ 이전 논문 다음 논문 ⟩

초록

수중 소음 측정이 가능한 수동 소나에 수신된 선박 방사소음은 Detection of Envelope Modulation on Noise(DEMON) 분석으로 얻은 선박 정보를 사용하여 선박 식별과 분류가 가능하다. 하지만 낮은 신호대잡음비(Signal-to-Noise Ratio, SNR) 환경에서는 DEMON 그램 내 선박 정보가 담겨있는 표적 주파수선을 분석 및 파악하는데 어려움이 발생한다. 본 논문에서는 낮은 SNR 환경에서 보다 정확한 표적 식별을 위해 딥러닝 기법 중 의미론적 분할을 사용하여 표적 주파수선들을 추출하는 연구를 수행하였다. SNR과 기본 주파수를 변경시키며 생성한 모의 DEMON 그램 데이터를 사용하여 의미론적 분할 모델인 U-Net, UNet++, DeepLabv3+를 학습 후 평가하였고, 학습된 모델들을 이용하여 캐나다 조지아 해협에서 측정한 선박 방사소음 데이터셋인 DeepShip으로 제작한 DEMON 그램 예측 성능을 비교하였다. 모의 DEMON 그램으로 학습된 모델을 평가한 결과 U-Net이 성능이 가장 높았으며, DeepShip으로 만든 DEMON 그램의 표적 주파수선을 어느 정도 추출할 수 있는 것을 확인하였다.

Ship-radiated noise received by passive sonar that can measure underwater noise can be identified and classified ship using Detection of Envelope Modulation on Noise (DEMON) analysis. However, in a low Signal-to-Noise Ratio (SNR) environment, it is difficult to analyze and identify the target frequency line containing ship information in the DEMONgram. In this paper, we conducted a study to extract target frequency lines using semantic segmentation among deep learning techniques for more accurate target identification in a low SNR environment. The semantic segmentation models U-Net, UNet++, and DeepLabv3+ were trained and evaluated using simulated DEMONgram data generated by changing SNR and fundamental frequency, and the DEMONgram prediction performance of DeepShip, a dataset of ship-radiated noise recordings on the strait of Georgia in Canada, was compared using the trained models. As a result of evaluating the trained model with the simulated DEMONgram, it was confirmed that U-Net had the highest performance and that it was possible to extract the target frequency line of the DEMONgram made by DeepShip to some extent.

키워드

과제정보

본 논문은 잠수함용 지능형 임무지원시스템 통합자동화 기술 사업을 통해 수행된 연구입니다. (계약번호 : KRIT-CT-22-023-01)

참고문헌

  1. R. J. Urick, Principles of Underwater Sound, 3rd Edition (McGraw-Hill, New York, 1983), pp. 332-345.
  2. R. O. Nielsen, Sonar Signal Processing (Artech House, Norwood, 1991), pp. 95, 173-175.
  3. A. Kummert, "Fuzzy technology implemented in sonar systems," IEEE J. Ocean. Eng. 18, 483-490 (1993).
  4. J. S. Kim, S. B. Hwang, and C. M. Lee, "A DEMON processing robust to interference of tonals" (in Korean), J. Acoust. Soc. Kr. 31, 384-390 (2012).
  5. M. J. Cheong, S. B. Hwang, S. W. Lee, and J. S. Kim, "Multiband enhancement for DEMON processing algorithms" (in Korean), J. Acoust. Soc. Kr. 32, 138-146 (2013).
  6. S. Minaee, Y. Boykov, F. Porikli, A. Plaza, N. Kehtarnavaz, and D. Terzopoulos, "Image segmentation using deep learning: a survey," IEEE Trans. Pattern Anal. Mach. Intell. 44, 3523-3542
  7. F. Lateef and Y. Ruichek, "Survey on semantic segmentation using deep learning techniques," Neurocomputing, 338, 321-348 (2019).
  8. W. Shin, H. Sul, J. W. Choi, T.-L. Song, D.-S. Kim, and H. Ko, "DeepNetwork-based segmentation model for low detectable underwater target tracking" (in Korean), J. Inst. Electron. Info. Eng. 60, 27-36 (2023).
  9. C. Jin, M. Kim, S. Jang, and D.-G. Paeng, "Semantic segmentation-based whistle extraction of Indo-Pacific Bottlenose Dolphin residing at the coast of Jeju island," Ecological Indicators, 137, 108792 (2022).
  10. R. O. Nielsen, "Cramer-Rao lower bounds for sonar broad-band modulation parameters," IEEE J. Ocean. Eng. 24, 285-290 (1999).
  11. M. F. McKenna, D. Ross, S. M. Wiggins, and J. A. Hildebrand, "Underwater radiated noise from modern commercial ships," J. Acoust. Soc. Am. 131, 92-103 (2012).
  12. O. Ronneberger, P. Fischer, and T. Brox, "U-Net: convolutional networks for biomedical image segmentation," Proc. MICCAI, 234-241 (2015).
  13. Z. Zhou, M. M. R. Siddiquee, N. Tajbakhsh, and J. Liang, "UNet++: a nested u-net architecture for medical image segmentation," Proc. DLMIA, 3-11 (2018).
  14. L.-C. Chen, Y. Zhu, G. Papandreou, F. Schroff, and H. Adam, "Encoder-decoder with atrous separable convolution for semantic image segmentation," Proc. ECCV, 801-818 (2018).
  15. F. Chollet, "Xception: deep learning with depthwise separable convolutions," Proc. CVPR, 1251-1258 (2017).
  16. M. Irfan, Z. Jiangbin, S. Ali, M. Iqbal, Z. Masood, and U. Hamid, "DeepShip: an underwater acoustic benchmark dataset and a separable convolution based autoencoder for classification," Expert Syst. Appl. 183, 115270 (2021).