Sonar image recognition system to clear mines

Det finns ett intresse för att skapa säkra farvägar för militär och civil båttrafik. I svenska vatten ligger det kvar många havsminor från världskrigen som behöver röjas för att kunna skapa dessa vägar. Om en mina ska kunna röjas på ett säkert sätt är det till fördel att ha information om vilken bottentopografi som den befinner sig i. Detta görs genom att samla in sonarbilder ifrån autonoma undervattensfarkoster, AUV:er. I denna rapport undersöks sonarbilderna genom att analysera en bit i taget med hjälp av olika kvadratiska filterstorlekar som roteras. Den bildbit som filtret täcker analyseras med hjälp applicering av en Gaussianfunktion som med hjälp av diskret Fourier Transform tar fram fyra olika varianser. Haar- funktionen har ej använts då den inte har samma noggrannhet i rumsdimensionen som Gaussian-funktionen har. Dessa varianser beskriver hur bildbiten varierar i en punkt, en linje, i radie samt i vinkel. Olika kombinationer av dessa varianser leder till olika inneboende dimensioner i bildbitens mittersta pixel. De inneboende dimensionerna beskriver bottentopografierna på olika sätt. Med hjälp av deep learning appliceras metoderna på ett träningsset som består av ett antal sonarbilder som plockats ut för vardera dimension. Med hjälp av Fourier-metoden beskriven ovan bestäms gränserna med ett konfidensintervall på 95%. De gränser som fanns längst ifrån 0 samt 1 var 0.22257 respektive 0.77708. Gränserna applicerades i algoritmen som sedan tog fram numeriska värden för de inneboende dimensionerna. Utifrån dessa resultat blev det möjligt att presentera säkra farvägar genom grönmarkerade områden i sonarbilden. De filter som genererade det noggrannaste resultatet var de minsta filtren för alla rotationer.There is an interest to make safe routes for military and civil boat traffic. In the Swedish seas there exist a lot of mines from the world wars that need to be removed to create these highways. If a mine is going to be demined in a safe way it is in favor to have information about what kind of seafloor topography it is laying on. This is done by collecting sonar images from autonomous underwater vehicles, AUV:s. In this report the sonar images are analyzed by investigating a smaller piece of the image. This is done by using different quadratic filter sizes which are rotating. The image piece which the filter is covering is analyzed by applying a Gaussian function that in combination with a discrete Fourier transform is producing four different variances. The Haar-function is not used since it has a lower accuracy in the dimension of the room than the Gaussian function has. These variances describes how the image piece varies in a point, a line, radius and angle. Different combinations of those variances are resulting in different intrinsic dimensions in the middle pixel of the image piece. The different intrinsic dimensions describes the seafloor topography in different ways. The methods are applied on a training set with deep learning. The training set consists of sonar images which are chosen for every dimension. Applying the above mentioned Fourier-method it is possible to choose the boundaries with a confidence interval of 95%. Those boundaries that were most far away from 0 and 1 were 0.22257 respectively 0.77708. These limits are applied in the algorithm that later on determines the numerical values for the intrinsic dimensions. It was possible to present safe highways in green in the sonar image from these results. Those filters that generated the highest accuracy were the smallest filters for all rotations