基于改进侧扫声呐法的水下抛石精准识别研究

摘要：侧扫声呐法是水下抛石探测中较为常用的方法之一，具有横向分辨率高、工作效率高等特点。但通常只根据声波散射强度值的相对大小进行水底介质判断会存在较大误差。为了提高识别准确性，以保定圩水下抛石为研究对象，首先对侧扫声呐数据进行小波去噪处理;然后根据Lambert定律消除掠射角的影响，使散射强度与水下介质的类型直接相关;最后利用聚类分析方法对长江干流芜湖市保定圩水下介质进行分类。研究表明：该方法的识别能力明显高于直接利用原始侧扫声呐数据进行聚类分析的方法，可精确划分出抛石体的分布范围，大大提高了水下抛石体的识别能力。

关 键 词：水下抛石識别; 侧扫声呐; 小波去噪; Lambert定律; 聚类分析; 保定圩

中图法分类号： TV221

文献标志码： A

DOI：10.16232/j.cnki.1001-4179.2022.04.033

0 引 言

在水利工程中，为了更好地指导河湖整治工作，需要对水底介质进行实时精确的跟踪和监测。水下抛石是护岸工程中较为常见和成熟的方法之一，属于水下隐蔽工程。由于抛石体为松散的堆积物，具有厚度薄、离散性较大等特点，且水下环境较为复杂，受水流冲刷的影响，抛石体的厚度和位置等赋存状态常常发生变化，因此，需不定期的对水下抛石体进行跟踪和监测[1-4]。

目前，水下介质探测中常用的方法有侧扫声呐法、多波束测深法、地震反射波法、高密度电法和探地雷达法等[5-7]。其中侧扫声呐法是通过向水下发射扇形波束的声波信号，当遇到水底介质时发生散射，同时对散射波数据进行采集，在室内对数据进行一系列的处理后，可对水下的情况进行判识和解译的一种水底测量方法。它具有横向分辨率高、工作效率高、测量范围广、价格便宜等优点，并逐渐应用到水利工程、海洋调查、海岸工程、港口航道建设等领域[8-12]。侧扫声呐采集到的数据信息较为丰富，专业人员通常只根据声波散射强度值的相对大小定性地进行水底介质判断。但由于水下环境较为复杂，在探测过程中易受到水下噪声的影响，同时声波散射强度值除了与水底介质类型有关，还与声波掠射角等因素存在着相关性，使得抛石体的识别存在较大的误差[13-16]。

为了精准识别水下抛石，本文首先对侧扫声呐数据进行小波去噪处理;然后根据Lambert定律消除掠射角的影响，使散射强度与水下介质直接相关;最后利用聚类分析方法对水下介质进行分类，可大大提高对水下抛石体的识别能力。

1 基本原理

1.1 侧扫声呐工作原理

图1为侧扫声呐工作示意图。AC表示声呐探头到水底的距离，BC表示水底测点到探头的水平距离。在测量过程中，由声呐探头左右对称分布的换能器发出两束扇形高频声波脉冲信号，声波遇到水底介质后产生反向散射波，并沿原路线返回到换能器中，经过声能向电能的转换从而获得散射波强度值，由电缆传输到计算机中存储。

1.2 散射强度影响因素分析

（1） 水下介质。

散射强度与水下介质类型有着密切的联系。大量研究表明[17-19]：对于硬质粗糙介质，通常散射强度较大;而对于软质平滑介质，声波能量吸收衰减就较强，总的散射强度较硬质粗糙介质小。因此，根据侧扫声呐散射强度的大小间接进行水底介质的识别具有理论支撑。

（2） 掠射角。

掠射角即为入射声波方向与水平方向的夹角。散射强度与掠射角同样存在着相关性，掠射角越大，反向散射强度也越大。当水底为粗糙介质，且在水下环境中不考虑频散效应，同时入射声线、散射声线及散射面法线位于同一平面时，两者的关系可用Lambert定律来描述[20-22]：

Sθ=S90°+10lgsin2θ（1）

式中：θ为掠射角，°，θ∈（0°，90°];S90°为掠射角为90°时的散射强度，dB;Sθ为掠射角为θ时的散射强度，dB。

式（1）经变换可得式（2）：

S90°=Sθ-10lgsin2θ（2）

式中：Sθ与10lgsin2θ之差即为掠射角为90°时的散射强度。因此，可根据此式消除掠射角对散射强度的影响。

1.3 小波变换

小波变换是在傅里叶变换基础上发展的一种信号分析方法，其中二维小波变换是指任意信号δ（x1，x2）在小波基ψ（x1，x2）进行相同尺度a的二维伸缩，以及b1和b2的二维平移下，得到一个具有三参数a，b1和b2的函数WTx1，x2（a，b1，b2）[23-24]：

WTx1，x2（a，b1，b2）=1aδ（x1，x2）ψ（x1-b1a，x2-b2a）dx1dx2（3）

式中：a为尺度因子;b1和b2为位移因子。

即通过伸缩和平移小波基函数对二维信号进行多尺度的变换，尺度因子a越小，表示小波基ψ（x1，x2）被压缩，变换后的信号代表原信号δ（x1，x2）的高频分量;尺度因子a越大，表示小波基ψ（x1，x2）被拉伸，变换后的信号代表原信号δ（x1，x2）的低频分量。

1.4 聚类分析

聚类分析是将样本数据按照相似性自动划分为不同类的过程，通常将样本之间和类之间的距离作为评价相似性的标准。聚类分析中计算样本间的距离有欧几里德距离、相关距离等。通过计算每个样本之间的距离后，将距离最小的两个样本归为一类[25-26]。本文采用的是欧几里德距离，其计算公式为

D（xi，xj）=mn=1（xi-xj）2（4）

式中：i，j为样本序号。即第i和第j个样本间的欧几里德距离样本对应的特征数据为其绝对距离平方和的算术平方根。

评价类与类之间的距离通常有最短距离法、最长距离法等。本文采用最长距离法进行分类，即通过计算两类所有样本间的距离，将其中最长的距离视作两类间的距离，再将距离最近的两类合并，使得同一类的数据有较大的相似性，不同类的数据有较大的相异性。DFF3ED11-A11D-4AB8-85EB-FE194BEF08C0

2 地质模型的方法验证

为了研究侧扫声呐精准识别水下抛石方法的可行性，本文参照实际的长江抛石护岸工程（保定圩段）建立抛石护岸地质模型，如图2所示。模型由抛石体、岸坡填土和江砂3种介质组成，平行于岸坡和垂直于岸坡方向范围均为0～10 m，其中，垂直岸坡方向范围0～5 m为岸坡填土，范围5～10 m为江砂，抛石体平面尺寸为0.5 m×0.5 m，均匀分布在填土和江砂上，相邻抛石体间隔为0.2 m。

为了研究小波变换对侧扫声呐数据的去噪能力，首先模拟声呐探头在水深0.1 m、垂直岸坡方向5 m处，平行于岸坡方向进行探测，將图2地质模型中的抛石体、岸坡填土和江砂掠射角为90°时的散射强度分别设定为200，100 dB和150 dB，同时考虑掠射角的影响，得到侧扫声呐模拟结果，如图3（a）所示。为了模拟受到水下噪声的影响，对模拟侧扫声呐图像加入高斯白噪声，如图3（b）所示。受噪声的干扰，图中抛石体轮廓线变得模糊，与填土和江砂较难区分开来。接着本文选用sym8小波对加噪信号进行小波变换，如图4所示。图4（a）为小尺度信号，代表其高频分量，主要为随机噪声干扰;图4（b）为中尺度和大尺度信号的叠加，代表其中频和低频分量之和，主要为反映不同介质的侧扫声呐数据，相对图3（b）的加噪图像，图4（b）中抛石体轮廓线变得清晰，这样便实现了消除噪声的目的。

为了研究Lambert定律消除掠射角的能力，根据式（2）进行掠射角的校正，得到掠射角为90°时的散射强度，结果如图5所示。对比图4（b），发现图像中两侧小掠射角对应的散射强度值得到了提高，使得散射强度值与水下介质直接相关。

为了研究聚类分析划分水下介质的能力，本文采用欧几里德距离最长距离法对图5经过一系列处理后的侧扫声呐图像进行聚类分析，如图6所示。聚类分析结果中抛石体、填土和江砂3种介质分类明显，划分结果与图2原始地质模型较为接近，说明聚类分析应用于侧扫声呐数据，进行水下介质的划分较为可靠。

3 实例分析

保定圩位于长江干流芜湖市三山区境内，为了查明其水下抛石体的赋存状态，采用侧扫声呐法进行了相关的探测。探测仪器选用瑞典生产的双频侧扫声呐探测仪（Deep Vision DE3468D），探测过程中将侧扫声呐探头固定在船只底部，随船只平行于岸坡方向匀速前进，探测范围在平行于岸坡方向和垂直于岸坡方向均为0～100 m，结果如图7（a）所示。

在图7（a）中，受水下噪声的干扰，原始侧扫声呐图像较为模糊，同时受到掠射角的影响，图像两侧散射强度值较小，难以精确地进行抛石体的识别。为此，本文首先对原始侧扫声呐图像进行小波去噪处理，然后根据式（2）消除掠射角的影响，使散射强度与水下介质直接相关，最后利用聚类分析对水下介质进行分类。

本文选用sym8小波对原始侧扫声呐图像进行小波去噪，结果如图7（b）所示，去噪后的侧扫声呐图像相对图7（a）较为清晰，大大提高了图像的信噪比。

图7中在垂直岸坡方向50 m处的红线代表声呐探头运动轨迹，蓝线和红线之间的距离代表声呐探头到水底的距离，由图7可知探测范围内均为5 m左右。声呐探头两侧的水下介质与探头的水平距离为5～50 m，从而换算得到掠射角范围为5.7°～45.0°，根据式（2）进行掠射角的校正，得到掠射角为90°时的散射强度结果如图7（c）所示。对比图7（b），发现两侧小掠射角对应的散射强度值得到了提高（见图7（b）～（c）中红色方框区域），消除了掠射角的影响，使得散射强度值直接与水下介质相关。

采用欧几里德距离最长距离法对经过一系列处理后的侧扫声呐数据（图7（c））进行聚类分析，结果如图8（b）所示。聚类分析结果将水底介质分为3类：黑色区域为抛石体范围，主要分布在垂直岸坡方向10～30 m范围内，该区域散射强度最大;黄色区域为岸坡填土范围，主要分布在垂直岸坡方向0～40 m范围内，该区域散射强度最小;蓝色区域为江砂范围，主要分布在垂直岸坡方向40～100 m范围内，该区域散射强度介于两者之间。3种介质分布范围区分明显，其中抛石体大部分集中分布在岸坡之上，河床江砂上也有零星分布，可能是由于水流冲刷所致，识别结果符合实际地质情况。

为了进行对比，将原始侧扫声呐数据通过相同的聚类分析法进行水下介质的划分，如图8（a）所示。受水下噪声的干扰，聚类分析结果中抛石体的分布范围难以精确识别，抛石体识别的能力大大降低，3种介质分布范围较为模糊;同时受到掠射角的影响，垂直岸坡方向80～100 m范围容易误划分为岸坡填土。综上所述，侧扫声呐数据经过去噪和掠射角校正后的抛石体的识别能力明显高于未经过处理进行聚类分析的识别能力。

4 结 论

为了精准识别水下抛石，本文对侧扫声呐数据进行小波去噪和掠射角校正等一系列处理后，利用聚类分析方法对水下介质进行分类，可提高水下抛石体的识别能力，并得到如下结论：

（1） 利用小波变换，可以去除侧扫声呐中的高频噪声，同时利用Lambert定律可消除掠射角的影响，使得散射强度与水下介质直接相关。

（2） 以去噪和掠射角校正后的侧扫声呐数据为输入，通过聚类分析，可以精确地识别出抛石体的分布范围，识别能力明显高于直接利用原始侧扫声呐数据进行聚类分析的方法。

本文所采用的方法消除了水下噪声和掠射角等因素的影响，同时结合聚类分析方法，达到了精确识别抛石体的效果。但识别结果有待进一步验证，同时Lambert定律为一定前提条件下的经验公式，在消除掠射角时存在一定的误差。在今后的研究中，可制作水下模型，模拟同一水下介质条件下不同掠射角对应的散射强度，从而较为准确地获得两者之间的关系，进而消除掠射角的影响。

参考文献：

[1] 高云云，鲁程鹏，王茂枚，等.点云密度对水下抛石效果评价的不确定性研究 [J].人民长江，2019，50（8）：156-160.DFF3ED11-A11D-4AB8-85EB-FE194BEF08C0

[2] 李丹，谭玄，胡波，等.抛石磨圆度对沙枕破坏影响离心模型试验研究 [J].人民长江，2020，51（7）：206-211.

[3] 李小超，常留红，李凌，等.水槽混合石料群抛试验 [J].水利水电科技进展，2017，37（6）：76-80.

[4] 马国栋，傅建.水下抛石体探测中地震采集参数的优选 [J].水利水电科技进展，2020，40（1）：81-87.

[5] 邓彪，李红文，胡雄武.海堤抛石底界的联合探测方法试验研究 [J].人民长江，2019，50（2）：161-165.

[6] 余金煌，陶月赞.高密度电法探测水下抛石体正反演模拟研究 [J].合肥工业大学学报（自然科学版），2014，37（3）：333-337.

[7] 余金煌，陶月赞，王铁强.应用探地雷达法测量浅水域薄层抛石体厚度 [J].南水北调与水利科技，2014，12（5）：214-216.

[8] 王晓，王爱学，蒋廷臣，等.侧扫声呐图像应用领域综述 [J].测绘通报，2019（1）：1-4.

[9] 彭军，高建华，王鹏，等.多模式声呐技术在云溪水库淤泥探测中的应用研究 [J].工程地球物理学报，2020，17（5）：574-579.

[10] 严俊，赵建虎，孟俊霞，等.一种顾及辐射畸变的多波束与侧扫声呐通用海底底质分类方法 [J].哈尔滨工业大学学报，2019，51（5）：178-184.

[11] 库安邦，周兴华，王方旗，等.一种联合单波束测深的侧扫声呐海底线提取方法 [J].海洋通报，2019，38（1）：47-52.

[12] 赵建虎，王晓，张红梅.侧扫声呐图像海底线自动提取方法研究 [J].武汉大学学报（信息科学版），2017，42（12）：1797-1803.

[13] 郭海涛，徐雷，赵红叶，等.一种抑制声呐图像散斑噪声的形态学滤波器 [J].仪器仪表学报，2015，36（3）：654-660.

[14] 郭海涛，赵红叶，徐雷，等.基于循环平移和 DTCWT的声呐图像滤波方法 [J].仪器仪表学报，2015，36（6）：1350-1355.

[15] 卞紅雨，陈奕名，张志刚，等.像素重要性测量特征下的侧扫声呐目标检测 [J].声学学报，2019，44（3）：353-359.

[16] 熊春宝，田磊，熊爱成，等.侧扫声呐声波掠射角对海底管道检测的影响 [J].测绘通报，2016（4）：58-63.

[17] 肖军，费志刚，孟华.海底三维散射模型仿真研究 [J].舰船电子工程，2013，33（6）：93-96.

[18] 杨玉春.基于Jackson模型的高频海底散射研究 [J].声学与电子工程，2015（4）：33-36.

[19] JACKSON D R，WINEBRENNER D P，ISHIMARU A.Application of the composite roughness model to high-frequency bottom backscattering [J].The Journal of the Acoustical Society of America，1986，79（5）：1410-1422.

[20] 刘保华，阚光明，裴彦良，等.海底声散射特性研究进展 [J].海洋学报，2017，39（7）：1-11.

[21] 侯倩男，吴金荣.浅海小掠射角的海底界面声反向散射模型的简化[J].物理学报，2019，68（4）：238-246.

[22] STANIC S，BRIGGS K B，FLEISCHER P，et al.High-frequency acoustic backscattering from a coarse shell ocean bottom [J].The Journal of the Acoustical Society of America，1989，85（1）：125-136.

[23] 张国伟.基于小波变换的图像去噪方法研究[D].昆明：昆明理工大学，2014.

[24] 张鹏，王甜，王远明.基于小波变换去噪的ARMA 堤坝水平位移预测模型 [J].人民长江，2017，48（2）：259-262.

[25] 马国栋，陈同俊，崔若飞.测井曲线识别构造煤实例研究 [J].地球物理学进展，2017，32（3）：1208-1216.

[26] 吴静涵，江新，周开松，等.地下洞室施工安全风险综合评价：基于ISM-ANP的灰色聚类分析 [J].人民长江，2020，51（6）：159-165.

（编辑：胡旭东）

Study on accurate identification of underwater riprap based on improved side

scan sonar method

MA Guodong1，2

（1.Water Resources Research Institute of Anhui Province and Huaihe River Commission of MWR，Hefei 230088，China; 2.Anhui Province Construction Engineering Quality Supervision and Inspection Station，Hefei 230088，China）

Abstract：

Side scan sonar is one of the commonly methods for underwater riprap detection，which has the advantages of high lateral resolution and high efficiency.However，qualitative identification of underwater media according to the relative value of acoustic scattering intensity may have big error.In order to improve the identification accuracy，taking the underwater riprap in Baoding polder as the research object，wavelet analysis was used to denoise the side scan sonar data.Then Lambert law was used to eliminate the effect of grazing angle，the acoustic scattering intensity was related to the type of underwater media directly.Finally cluster analysis was used to classify underwater media.The research results showed that the identification ability of this method was obviously higher than that of clustering analysis based on the original side scan sonar data，and could accurately classify the distribution range of riprap，and greatly improved the identification ability of underwater riprap.

Key words：

underwater riprap identification;side scan sonar;wavelet denoising;Lambert law;cluster analysis;Baoding polderDFF3ED11-A11D-4AB8-85EB-FE194BEF08C0