基於深度學習與側掃聲納影像的水下物件辨識技術及在風電場評估的應用
Underwater Object Recognition Technology based on Deep Learning from Side-Scan Sonar Images and its Application in Wind Farm
姓名：曾奕睿
由於海洋佔地球面積約71%，人類自古以來不斷地探索這未知領域。然而水下探測技術逐漸成熟，帶動著各類應用技術的開發與探討。隨著能源轉型議題逐漸受到各界重視，我國政府於近年積極於苗栗、彰化、雲林一帶建設離岸風電場。然而，這類建設與許多水下環境保護議題有密切關聯，例如：中華白海豚以及野生動物的重要棲地均緊鄰離岸風電場址。評估離岸風電場址是否會破壞白海豚棲息地，成為關鍵研究議題之一。為了有效評估場址水文與水下生態環境，側掃聲納影像則是一項重要的工具之一。但在進行側掃聲納作業時，須仰賴專業觀測員長期注視側掃聲納影像，這不但容易造成眼睛疲勞進而影響水下目標物識別的精確度，且在調查的過程可能還會受到水下環境干擾，使得在作業時無法準確偵測拖魚與海床的作業高度。因此，本論文利用深度學習結合影像分析技術提出水下物件辨識的方法。但因在處理側掃聲納影像內容時，需先進行海床邊線偵測以便找出物件辨識的有效範圍。所以本論文將先詳細說明海床邊線偵測方法，在說明如何利用YOLOv3技術識別物件協助水下場址調查，輔佐觀測員即時的環境調查與紀錄。此法不但可減輕人力成本與觀測員疲憊度，降低設備遺失之風險，更能提高水下目標物識別的準確性。實驗結果表示，所提方法不但可有效偵測海床邊線，還可透過YOLOv3物件識別技術辨識魚群、石塊、…等物件，有助於水下環境調查。其中海床邊線偵測其左舷與右舷平均連續率提升87.8%及94.8%之正確性，而在對稱率也達到80.7%之正確性。而在YOLOv3的部分透過影像前處理以及類別標籤之定義以及數據增強的方式，其平均精確率也有達到72.3%，且在識別魚群的部分也有相當高的信心值。本論文結合以上兩種方法，平均計算一張畫框(2558*1278)只需0.023秒，證實此方法能即時輔佐觀測員進行觀測，且有良好的影像處理效果。因此，本論文所提出的海床邊線偵測與YOLOv3物件識別技術，可有效運用於離岸風電潛力場址的評估，以及未來離岸風機的水下環境監測。
關鍵字：側掃聲納、影像處理、聲納影像、海床邊線偵測、水下物件識別、深度學習。