Ett lättviktigt hybriduppmärksamhetsnätverk med multiskalig funktionsintegration för intelligent igenkänning av undervattensakustiska mål

Att lyssna på fartyg under vågorna

Haven är fyllda av ljud från fartyg, djur och naturkrafter, och att reda ut vem som gör vilket ljud är avgörande för säkerhet, försvar och skydd av marina ekosystem. Denna studie presenterar ett smart men kompakt lyssningssystem som kan särskilja olika fartygstyper enbart med deras undervattenljudsignaturer. Genom att noggrant forma hur datorn hör och bearbetar dessa signaler visar författarna att det är möjligt att känna igen fartyg med mycket hög noggrannhet samtidigt som beräkningsbehovet hålls förvånansvärt lågt, vilket öppnar för utbredd och kostnadseffektiv undervattensövervakning.

Varför fartygsljud är viktiga

Moderna hav är trafikerade motorvägar, och den låga mullrande ljudbilden från motorer och propellrar färdas långa sträckor under vatten. Att kunna identifiera vilket fartyg som finns var hjälper vid navigation, sök- och räddningsinsatser och övervakning, och gör det också möjligt för forskare att följa hur mänskligt buller påverkar valar, fiskar och känsliga livsmiljöer. Traditionella sonarsystem har svårt eftersom undervattenljud lätt förvrängs av vågor, strömmar och ekon, och signalerna blandas med naturligt bakgrundsbrus. Äldre igenkänningsmetoder förlitade sig dessutom mycket på expertkunskap eller handanpassade regler, vilket är långsamt att anpassa och svårt att skala till de stora datamängder som sensorer idag samlar in.

Att lära maskiner att höra under vatten

För att möta dessa utmaningar byggde forskarna en lyssningspipeline som omformar råa ljud till en kompakt beskrivning innan det når huvudinlärningsmotorn. Först resamplades inspelningar från två verkliga arkiv med fartygsljud till en gemensam samplingsfrekvens och delades in i femsekundersklipp. Varje klipp kopierades sedan och modifierades lätt på tre sätt: tonhöjden skiftades inom ett snävt intervall för att efterlikna Dopplereffekter, hastigheten sträcktes eller pressades för att imitera förändringar i fartygsrörelse, och ett realistiskt färgat brus lades till för att simulera havets bakgrundsurg. Dessa steg tredubblade träningsdatamängden och exponerade systemet för många plausibla varianter av samma fartyg, vilket gör det mindre känsligt för små förändringar i inspelningsförhållanden. Från varje segment extraherade systemet enkla, snabba funktioner som fångar hur starkt, hur grovt och hur tonalt ljudet är, inklusive hur ofta signalen korsar noll, dess totala energi, hur dess spektrum liknar mänskliga hörselskalor och hur toner fördelas över tonklasser, vilket resulterar i ett sifferfingeravtryck med fast längd.

En kompakt hjärna för ljud

Kärnan i metoden är en modell kallad Depthwise Separable Convolutional Adaptive Transformer, utformad för att vara både exakt och lättviktig. Den börjar med särskilda konvolutionsblock som fungerar som många små filter som lyssnar efter kortsiktiga mönster i funktionssekvensen, till exempel rytmiska pulser från propellrar eller återkommande motormönster, samtidigt som antalet beräkningar hålls lågt. Ovanpå detta kör modellen två transformergrenar parallellt, var och en som betraktar långa delar av ljudfingeravtrycket men med olika detaljnivåer. Dessa grenar använder uppmärksamhetsmekanismer för att avgöra vilka delar av sekvensen som är viktigast, och destillerar sedan sina fynd genom pooling-operationer som sammanfattar övergripande beteende. Ett adaptivt fusionssteg lär sig att väga de två grenarna olika för varje ingång, och föredrar den ena när fina lokala detaljer är avgörande och den andra när långräckviddsmönster bär mer information, innan en kompakt sammanfattning skickas till en slutlig klassificerare som ger den mest sannolika fartygsklassen.

Att sätta systemet på prov

Författarna utvärderade sin konstruktion på två välkända samlingar med undervattensfartygsljud, en långsiktig datamängd inspelad utanför Kanada och en annan från Spaniens kust. I båda fallen såg modellen endast femsekundersklipp och skulle tilldela dem till breda fartygskategorier som last, passagerare, olje- eller kemikaljetanker, bogserbåt eller storleksgrupper. Systemet uppnådde cirka 98,8 procent noggrannhet på den första datamängden och 99,2 procent på den andra, samtidigt som det använde endast omkring en halv miljon träningsbara parametrar och några miljoner grundläggande operationer per prediktion. Det gör modellen mycket mindre och snabbare än många nuvarande djupinlärningsmodeller, men den matchade eller överträffade ändå deras noggrannhet. Visuella analyser av modellens interna representationer visade att klipp från olika fartygstyper bildar väl åtskilda kluster, och standardmått som precision, återkallelse och ROC-kurvor bekräftade att systemet sällan förväxlar en klass med en annan.

Vad detta betyder för haven

Enklare uttryckt visar detta arbete att ett litet, noggrant utformat lyssningssystem kan pålitligt särskilja fartygstyper i bullriga, verkliga havsmiljöer och göra det tillräckligt snabbt för nästintill realtidsbruk. Genom att para ihop enkla men informativa ljudfunktioner med en hybridmodell som balanserar lokala detaljer mot långsiktiga mönster ger författarna en praktisk mall för framtida undervattensövervakare som kan köras på bojar, robotar eller kajstationer. Sådana verktyg kan bidra till att hantera farleder, stödja miljöstudier av bullerföroreningar och förbättra autonoma sonarsystem, samtidigt som beräkningskraven hålls låga nog att rymmas på modest hårdvara.

Citering: Mahmud, NA., Zhang, T., Iqbal, Y. et al. A lightweight hybrid attention network with multi-scale feature integration for intelligent recognition of underwater acoustic targets. Sci Rep 16, 16388 (2026). https://doi.org/10.1038/s41598-026-47540-4

Nyckelord: undervattensakustik, fartygsbrus, sonarigenkänning, djupinlärning, marin övervakning