• 한국음향학회지
• /
• 제43권1호
• /
• pp.1-8
• /
• 2024

수동형 소나의 성능을 측정하기 위해 주어진 환경과 시스템 변수 하에서 보통 최대 탐지거리를 고려한다. 음파가 해표면 또는 해저면과 필연적으로 접촉하는 천해에서는 표적탐지가 최대 탐지거리까지 유지되는 게 일반적이다. 그러나 심해에서는 음파가 해표면 또는 해저면과 접촉하지 않을 수도 있으며, 이 경우 음파가 도달하지 않는 음영구역이 존재할 수도 있다. 이 경우 최대 탐지거리만으로 각 소나의 탐지성능을 완전하게 기술하기 어려울 수 있다. 보다 완전한 탐지성능 기술을 위해 '탐지견고성(Robustness Of Detection, ROD)' 개념을 도입하고자 한다. 동해 연안에서 수괴의 공간적 분포와 최대 탐지거리 및 탐지견고성은 밀접한 관계가 있으며, 최대 탐지거리와 탐지견고성은 서로 반대의 공간적 변동을 보인다. 경험직교함수(Empirical Orthogonal Function, EOF)를 도입하여 수온의 시공간적 분포를 분석한 결과 첫 번째 모드는 전형적인 계절 변화를 보이고, 두 번째 모드는 혼합층 등의 세기 변화를 반영하는 것으로 추정된다. 이 두 모드가 전체 변화의 약 92 %를 설명한다. 수심 5 m와 100 m 표적을 가정하여 수동형 소나의 최대 탐지거리와 두 모드의 계절 변화의 상관관계를 분석하면 첫 두 모드와 높은 음의 상관계수(약 -0.9)를 보인다. 수온의 계절적 변화는 표층 ~ 수심 200 m에서 발생하며, 이에 따라 수심 100 m에 표적이 존재한다고 가정하여 수동소나를 수심 100 m 이상에서 운용할 경우 계절변화가 미미한 탐지성능을 기대할 수 있다.

• 한국음향학회지
• /
• 제29권1호
• /
• pp.10-17
• /
• 2010

수중에서 소나를 이용하여 표적을 탐지하고자 할 때 자함에서 발생되는 소음을 감소시켜 표적의 탐지성능을 향상시키는 것은 매우 중요한 일이다. 본 논문에서는 수상함에서 선체고정형소나(HMS)를 사용하는 경우 두 가지 운영모드에 대하여 자함의 소음감소 성능을 분석하였다. 운영자모드에서는 ALE(Adaptive Line Enhancer)기법을 적용하여 자함신호의 광대역 성분을 감소하므로 토널 성분의 탐지성능을 향상하였으며, 자동모드에서는 주 입력신호와 상관관계를 가진 기준 입력신호를 선정하여 조향 방위로 유입되는 잡음신호를 제거하였다. 적응필터를 설계하기 위하여 NLMS(Normalized LMS)알고리즘을 이용하였으며 실제 해상실험 데이터를 이용하여 시뮬레이션을 수행하므로 제안한 기법의 성능을 확인하였다.

• 대한조선학회논문집
• /
• 제38권4호
• /
• pp.23-29
• /
• 2001

본 연구에서는 수직 수평면 회피를 분리한 수중운동체의 충돌회피시스템을 구성하였다. 가상지시선(Imaginary Reference Line) 개념을 고안하여 기존의 수직면 충돌회피알고리즘을 수평면에 확장, 적용하였으며 회피각 결정에 장애물의 경사각뿐만 아니라 경사 변화율도 고려하여 보다 원활한 회피가 이루어질 수 있도록 하였다. 제어기의 경우 운동방정식의 비선형성을 고려하고 회피시스템의 강인성을 확보하기 위해 슬라이딩모드 제어를 적용하였다. 수중운동체의 임무 수행중 임의의 3차원 장애물에 대한 회피상황을 가정하고 수치모사를 통해 구성된 충돌회피시스템의 성능을 검증하였다. 또한, 충돌회피알고리즘의 구성 인자인 소나 성능변수들과 보정 계수의 변화에 따른 충돌회피시스템의 성능변화를 살펴보았다.

• 한국음향학회지
• /
• 제42권4호
• /
• pp.370-376
• /
• 2023

수중영상은 수중 잡음과 낮은 해상도로 표적의 형상과 구분이 명확하지 않다. 그리고 딥러닝의 입력으로 수중영상은 전처리가 필요하며 Segmentation이 선행되어야 한다. 전처리를 하여도 표적은 명확하지 않으며 딥러닝에 의한 탐지, 식별의 성능도 높지 않을 수 있다. 따라서 표적을 구분하며 명확하게 하는 작업이 필요하다. 본 연구에서는 수중영상에서 표적 그림자의 중요성을 확인하고 그림자에 의한 물체 탐지 및 표적 영역 획득, 그리고 수중배경이 없는 표적과 그림자만의 형상이 담긴 데이터를 생성하며 더 나아가 픽셀값이 일정하지 않은 표적과 그림자 영상을 표적은 흰색, 그림자는 흑색, 그리고 배경은 회색의 3-모드의 영상으로 변환하는 과정을 제시한다. 이를 통해 딥러닝의 입력으로 명확히 전처리된 판별이 용이한 영상을 제공할 수 있다. 또한 처리는 Open Source Computer Vision(OpenCV)라이브러리의 영상처리 코드를 사용했으면 처리 속도도 역시 실시간 처리에 적합한 결과를 얻었다.