CN109886217A - 一种基于卷积神经网络从近岸海浪视频中检测浪高的方法 - Google Patents
一种基于卷积神经网络从近岸海浪视频中检测浪高的方法 Download PDFInfo
- Publication number
- CN109886217A CN109886217A CN201910141884.5A CN201910141884A CN109886217A CN 109886217 A CN109886217 A CN 109886217A CN 201910141884 A CN201910141884 A CN 201910141884A CN 109886217 A CN109886217 A CN 109886217A
- Authority
- CN
- China
- Prior art keywords
- wave
- video
- nearshore
- image
- neural networks
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Image Analysis (AREA)
Abstract
本发明属于海洋工程技术领域,公开了一种基于卷积神经网络从近岸海浪视频中检测浪高的方法,基于卷积神经网络从近岸海浪视频中检测浪高的方法包括:通过海浪视频预处理,从中抽取图像帧和计算帧间差分,组成包含浪高静态和动态信息的三通道图像;构建能够对海浪浪高进行检测的多层感知卷积神经网络模型;基于经视频预处理后的图像集构建训练数据集,对构建的网络模型进行不同浪高检测的训练;利用训练好的模型较高精度的检测近岸浪的即时海浪高度值。本发明能提高检测的效率,能够在业务化运行要求的精度内达到很好检测效果,能够高精度且快速地获取近岸海浪的有效波高。
Description
技术领域
本发明属于海洋工程技术领域,尤其涉及一种基于卷积神经网络从近岸海浪视频中检测浪高的方法。
背景技术
目前,业内常用的现有技术是这样的:
近岸工程设计、浅海生产作业、近岸环境保护都离不开近岸海浪要素的高精度获取,尤其是海浪的实时高度值,因此,近岸海浪要素的高精度检测具有十分重要的意义。但由于海浪向近岸传播过程中,受海底地形、岸界和环境流(近岸流和潮流等)的作用显著,具有比深海和开阔陆架海域更复杂的演变规律和更快速时空变换,而近岸波浪是近岸海洋环境中最重要的动力因素之一,它威胁近岸建筑物的安全与稳定,引起海岸泥沙运动、海岸变迁和近岸水体交换。近些年对于近岸海浪要素检测主要是以浮标观测为主,人工观测为辅,近年来积极推进了雷达观测。浮标是对“点”观测,对于港湾复杂地形的准确海浪测量需要高密度部署,且运行和维护成本高;人工观测是通过有经验的预报员目测的方式估计海浪信息,对人员要求高,预测频率和精度也难以保障。地波雷达能实现大面积、长时间自动测量,但雷达测量设备昂贵,微波脉冲及回波传播受电离层"平流层"海气界面影响,资料质量随时空变化干扰明显,且测量精度取决于对信号的反演;视频用于海浪测量具有非接触、低成本、时空连续的优点,能够有效弥补浮标和雷达测量技术对方向谱观测的不足。目前对其研究和认识还不是很成熟。
近岸监控视频图像在海浪检测方面的优点是视频图像易获取,且图像数据庞大,基于高清的海浪视频图像特征清晰,不会造成太多的噪声干扰,但对于海浪高度值的精细化检测,基于图像特征的检测方法在检测过程中容易受到视频图像中其它目标物的干扰影响,且检测精度容易受到视频质量的影响。2004年Piepmeier等人通过一种立体视觉方法分析视频图像,并在戴维森实验室测试了水波参数,所得的浪高数据与测波计的数据基本相同,但是对于部分存在较大噪点的视频图像,实验得出的数据于实际测波计的数据相差较大;2013年李刚等人提出了一种基于图像纹理特征的波浪检测方法,基于纹理特征,利用灰度共生矩阵,计算其四个独立特征量,然后根据分析结果确定特征量权值并计算不同波浪等级的阈值,根据得到的阈值来检测波浪等级,该方法能较好的检测出波浪的等级,且模型简单,计算效率较高,但无法做到海浪高度值的精细化检测。2014年周圆等人提出一种基于TerraSAR-X图像的海浪要素提取方法,基于海面风场反演的地球物理模型和海浪的参数化初猜谱反演模式来获取海浪要素信息,并使用TerraSAR-X图像进行实例验证,最后结果对比,有效波高的绝对误差为0.8m,平均周期的绝对误差为1.9秒,从结果来看,这种方法模型简单,应用性较强,但有效波高的绝对误差对于低等级浪高值的偏差较大,且基于SAR图像的特征检测不适用于近岸海浪的要素检测。有人提出利用视频帧的能量变化和海浪物理模型特性相结合的方法。2006年Spencer等人在摄像机未标定情况下用傅里叶变换探索水波的色散关系来确定真实场景的大小,并使用暂态频谱和已知海洋频谱的随机模型来确定海况,从而可以检测出海浪要素特性,这种方法计算复杂度较高,且不同环境海域的海洋频谱不一样,需要单独建立,鲁棒性较差,不能很好地满足实际应用。2015年,Hidetomo Sakaino提出了一种基于局部和全局变化模型的动态纹理海浪视频运动估计,结合物理光学流模型/约束条件来实现光滑和不连续的变化,使用波形生成理论,还先后使用局部和全局优化的方式对模型参数进行改进,实现对海浪运动目标的方向检测,但不适用于浪高值的计算。
一般的基于人工提取图像特征,建立阈值模型的方法,可以很好识别出海浪的浪高等级,但无法做到对海浪高度值的精确检测,且人工提取特征会存在很多不完备性以及主观臆断;而基于海面风场反演的地球物理模型和海浪的参数化初猜谱反演模式的海浪要素检测方法,虽然方法针对性较强,但是反演过程容易受海面环境、风场等诸多因素影响,且有效波高的绝对误差偏大;基于数学理论算法和已知的海洋频谱的模型来预报海浪高度值在精度上能达到一个不错的效果,但是比较消耗时间,且不同环境海域的海洋频谱不一样,需要单独建立,鲁棒性较差,不具有通用性。
深度学习可看作一种通过简单、非线性映射方式获取多层特征的表征学习方法,它把原始数据通过逐层映射,转变为高阶的、更为抽象的特征。在面向海浪要素检测的近岸视频分析中,由于海浪运动的复杂性,数据低层特征无法精确获取海浪要素,深度学习因为其通过映射方式简单获取深度层次特征的学习方式,可以获取精确用于区分海浪要素的高层特征。随着近几年卷积神经网络得到了飞速发展,尤其在图像分类、自然语言处理等领域成果显著,基于卷积神经网络可以得到近岸海浪图像更加抽象、高级的特征。2017年郑宗生等人利用卷积神经网络CNN进行了三个浪高等级的分类,但分类精度仅达到65%左右,而且该方法只能用于区分浪高的等级,无法进行浪高值检测,远远无法满足当前海浪预报对浪高精度的要求。
综上所述,现有技术存在的问题是:
(1)基于海面风场反演的地球物理模型和海浪的参数化初猜谱反演模式的海浪要素检测方法反演过程受海面环境、风场、地形等诸多因素影响,而近岸地形环境复杂,对于近岸海浪要素的检测还存在一定困难;基于数学理论算法和已知的海洋频谱的模型比较消耗时间,计算复杂度较高,效率低;且不同环境海域的海洋频谱不一样,需要单独建立,鲁棒性较差。海浪视频的时空连续性,使其可以作为近岸海浪观测的有效补充,但利用视频进行海浪要素提取的技术尚不成熟,没有***的实施方案。
(2)基于图像特征提取的海浪要素获取方法,在检测过程中容易受到视频或图像中其它目标物的干扰的影响,且人工设计的特征通常为低层特征,会存在不完备性和对高层特征缺乏表达,对于精细的海浪要素检测无法满足要求;
(3)目前基于深度学习方法的海浪图像分析仅能够达到对浪高等级的分类,且精度很低,还无法实现浪高值的检测。
解决上述技术问题的难度:
(1)为避免人工特征设计的弊端,从视频中自动学习浪高的特征是更好的解决办法,但是所提取的特征是否能够准确表达视频中的浪高信息是一个难题。由于机器学习模型的结构对浪高特征提取有重要影响,因此浪高检测要求设计合理的特征学习模型。
(2)基于海浪视频检测海浪的高度值需要广泛的数据基础。特别是对于深度学习网络,数据集的设计,包括patch大小、数量、所含信息内容都对网络训练和测试的精度有重要影响。数据集的设计是需要解决的一大问题。
(3)根据海洋业务部分的要求,浪高预测值要求保证在±2%以内。浪高检测的精度范围是否其能够支持海洋业务化运作的重要指标,因此如何保证高精度的浪高检测是面临的挑战。
解决上述技术问题的意义:针对以上海浪检测方法存在的问题,本发明提出的浪高检测模型,能够避免人工观测存在的主观性,且相对成本较低;对于基于图像低层特征的浪高检测存在的精度问题,本发明通过深度学习的方式获取海浪图像的高层特征从而更高精度地获取海浪浪高值;对于物理模型存在计算效率低,鲁棒性差的问题,本发明的浪高检测方法是通过海浪图像局部非线性特征与浪高关系的建模,对浪高进行检测,使用时不受海域影响,计算效率较高,且获得海浪高度值误差较小。因此,本发明获取近岸海浪高度值的方法很好解决了现有方法中存在的不足之处,对近岸人类活动、近岸岸基工程等具有十分重要的意义。
发明内容
针对现有技术存在的问题,本发明提供了一种基于卷积神经网络从近岸海浪视频中检测浪高的方法。
本发明是这样实现的,一种基于卷积神经网络从近岸海浪视频中检测浪高的方法,所述基于卷积神经网络从近岸海浪视频中检测浪高的方法包括:
步骤一,海浪视频预处理,减少视频中的冗余信息,获取包含海浪静态和动态信息的海浪图像;
步骤二,结合多层感知卷积神经网络,构建近岸海浪图像的浪高检测网络结构模型;
步骤三,根据视频预处理后的海浪图像构建数据集,对步骤二所构建的浪高检测网络模型进行训练和测试,获得最佳模型参数;
步骤四,利用训练好的模型较高精度的检测近岸浪的实时海浪高度值。浪高检测值达到海浪预报业务化的精度要求。
进一步,所述海浪视频预处理方法具体包括:
步骤一,获取近岸视频,对视频每隔t秒分段;
步骤二,对每一小段视频,保留第一帧图像I0,表征海浪静态特性;基于帧间差分分别计算第I0帧与后一帧I1及第t帧It的S0=|I0-I1|和S1=|I0-It|,表征海浪的相对短期和长期动态特性;
步骤三,由I0,S0,S1构成图像三个通道。
进一步,所述近岸海浪浪高值高精度检测的深度学习模型包括:
基于多层感知卷积网络(NIN)网络结构构建深度学习模型,NIN的整体结构是由多个多层感知卷积层(Mlpconv)和一个全连接层组成。其中,每个Mlpconv是由多层感知机的微网络结构对每个局部感受野的卷积运算,由一层卷积和两层感知层组成;在最后一层Mlpconv后加入全连接层,并通过线性回归的方法实现海浪高度值的输出。
进一步,所述近岸海浪浪高值高精度检测的深度学习模型网络架构包括:
输入层:输入海浪图像为三通道真彩图像,图像尺寸为mxmx3的数据集。
第一个Mlpconv层:卷积核设置为3x3x3的大小16个,感知器通过1x1卷积实现,分别为1x1x16和1x1x32,最后通过池化层降维处理;
第二个Mlpconv层:卷积核设置为3x3x16的大小32个,感知器通过1×1卷积实现,分别为1×1x32和1x1x32,最后通过池化层降维处理;
第三个Mlpconv层:卷积核设置为3x3x32的大小64个,感知器通过1x1卷积实现,分别为1x1x64和1x1x64,最后通过池化层降维处理;
第四个Mlpconv层:卷积核设置为3x3x64的大小128个,感知器通过1x1卷积实现,分别为1x1x128和1x1x128,最后通过池化层降维处理;
全连接层:通过卷积层和池化层输出的图像具有比较高层的特征,将二维的feature map通过全连接层将其映射到一维空间,设置20x1的全连接参数,通过线性回归的方法,将其输出为连续变量的海浪浪高检测值,使用Leaky-Relu(如下公式所示)函数进行非线性激活,同时使用L1正则化处理。
其中ai是(1,+∞)区间内的固定参数。
进一步,所述近岸海浪图像的卷积神经网络结构模型建立训练方法具体包括:
步骤一,从三通道的海浪图像中随机截取一定大小m×m的海浪区域图像,通过拉伸和旋转等方式对图像数据进行数据扩充;
步骤二,同时制作多组不同分辨率的图像数据,以视频拍摄地点的实测有效浪高作为标签,形成海浪数据集,并按照7:3的比例分为训练集和测试集。
步骤三,分别以不同分辨率数据集作为输入,利用其训练集对近岸海浪检测模型进行训练,其测试集对模型进行测试分析,获取最佳数据集尺寸及最佳网络参数。
进一步,步骤四中,所述近岸海浪浪高值高精度检测的深度学习模型测试分析结果包括:检测结果与实测值的均方根误差(RMSE)小于0.2。
本发明的另一目的在于提供一种实施所述基于卷积神经网络从近岸海浪视频中检测浪高的方法的近岸海洋环境监测***。
综上所述,本发明的优点及积极效果为:
本发明结合深度学习在特征提取方面的快速发展,提出基于卷积神经网络的近岸视频海浪高度值高精度检测方法,能提高检测的效率,能够在业务化运行要求的精度内达到很好检测效果,能够高精度且快速地获取近岸海浪的有效波高。本发明将光流模型提取的海浪运动特征与深度学习提取的近岸视频图像的高层特征融合,从而更高精度地检测海浪高度值。
为了避免建筑物和礁石等与海浪运动不相关因素的影响,本发明截取不包含上述因素的海浪区域图像;同时近岸监控视频图像数据易获取,数据量大,能更好的满足深度学习对于数据量的要求,且模型构建过程简单。
本发明通过具有代表性的近岸海浪监控视频制作数据集,按照7:3的比例分为训练集和测试集,通过对近岸监控视频中海浪图像的训练,最终本发明方法的结果在各个误差范围内的精度都比较高,实验结果如表5所示。
本发明提供的基于NIN网络结构构件的深度学习模型RMSE小于0.2,且检测结果与实测值相差较小;NIN的层数都很灵活,可以针对特定任务进行调整,可以更好地增强海浪图像的局部学习能力,且NIN网络结构具备多层感知器来增强网络对于海浪图像的局部学习能力。
同时本发明通过构建传统的CNN网络结构模型来与NIN网络模型进行对比,体现本发明模型结构的优异性,能够很好地满足海洋监测业务化要求,实验结果如表4所示。
同时本发明按照一天的时间顺序,利用网络模型测试输出一天的海浪高度值波动曲线图,如图11所示:图中大圆点代表此时刻的真实浪高值,小实点代表网络输出的浪高值,曲线为拟合曲线。由图中结果可以看出,本发明的网络模型输出的浪高值与真实值的均方根误差(RMSE)小于0.2,优于目前现有的浪高检测方法。
本发明利用视频进行海浪测量具有非接触、低成本、时空连续的优点,能够有效弥补浮标和雷达测量技术对方向谱观测的不足。本发明提出的基于卷积神经网络的近岸视频海浪高度值的高精度检测方法,可以应用在近岸海洋环境监测***,对于浅海生产作业、海洋渔业捕捞等具有要的意义,同时可以直接将本发明的算法模型应用在近岸浪业务化需求***中,实时获得海浪监控浪高值。本方法模型简单有效,通过代码优化可以直接应用在岸基监控***或者近岸航行中,能够实时获取海浪高度检测值,具有较强的实际应用价值。
附图说明
图1是本发明实施例提供的基于卷积神经网络从近岸海浪视频中检测浪高的方法流程图。
图2是本发明实施例提供的近岸海浪图像的卷积神经网络结构模型训练方法流程图。
图3是本发明实施例提供的近岸海浪图像的卷积神经网络结构模型训练方法原理图。
图4是本发明实施例提供的海浪图像NIN网络结构示意图。
图5是本发明实施例提供的近岸海浪视频图像数据集制作示意图。
图6是本发明实施例提供的部分数据图像示意图。
图7是本发明实施例提供的海浪图像CNN网络结构示意图。
图8是本发明实施例提供的SVM海浪等级分类结果示意图。
图9是本发明实施例提供的CNN网络模型训练结果示意图。
图10是本发明实施例提供的NIN网络模型训练结果示意图。
图11是本发明实施例提供的浪高时间序列波动曲线(NIN网络模型)图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
现有技术中,近岸海浪观测方法,利用浮标对近岸海浪进行观测,需要高密度部署,且运行和维护成本高;人工观测对人员要求高,预测频率和精度也难以保障;地波雷达观测,雷达测量设备昂贵,微波脉冲及回波传播受电离层"平流层"海气界面影响,资料质量随时空变化干扰明显,且测量精度取决于对信号的反演。
海浪要素检测方法:基于图像检测的海浪要素获取方法在检测过程中容易受到视频图像中其它目标物的干扰影响,对于精细的海浪要素检测无法满足要求;阈值模型无法做到对海浪高度值的精确检测,且人工提取特征会存在很多不完备性以及主观臆断。
基于海面风场反演的地球物理模型和海浪的参数化初猜谱反演模式的海浪要素检测方法反演过程容易受海面环境、风场等诸多因素影响,且有效波高的绝对误差偏大;基于数学理论算法和已知的海洋频谱的模型比较消耗时间,计算复杂度较高,效率低;且不同环境海域的海洋频谱不一样,需要单独建立,鲁棒性较差,不具有通用性。
且海浪高度值检测的方法普遍存在的一个问题是有效波高的绝对误差偏大,不能做到高精度的检测。
为解决上述技术问题,下面结合具体方案对本发明作详细描述。
如图1所示,本发明实施例提供的基于卷积神经网络从近岸海浪视频中检测浪高的方法包括:
S101,海浪视频预处理,减少视频中的冗余信息,获取包含海浪静态和动态信息的海浪图像。
S102,结合多层感知卷积神经网络,构建近岸海浪图像的浪高检测网络结构模型。
S103,根据视频预处理后的海浪图像构建数据集,对步骤二所构建的浪高检测网络模型进行训练和测试,获得最佳模型参数。
S104,利用训练好的模型较高精度的检测近岸浪的实时海浪高度值。
如图2-图3所示,本发明实施例提供的近岸海浪图像的卷积神经网络结构模型训练方法具体包括:
S201,从三通道的海浪图像中随机截取一定大小m×m的海浪区域图像,通过拉伸和旋转等方式对图像数据进行数据扩充。
S202,同时制作多组不同分辨率的图像数据,以视频拍摄地点的实测有效浪高作为标签,形成海浪数据集,并按照7:3的比例分为训练集和测试集。
S203,分别以不同分辨率数据集作为输入,利用其训练集对近岸海浪检测模型进行训练,其测试集对模型进行测试分析,获取最佳数据集尺寸及最佳网络参数。
本发明实施例提供的近岸海浪浪高值高精度检测的深度学习模型包括:
基于NIN网络结构构建深度学习模型,NIN的整体结构是由多个多层感知卷积层(Mlpconv)和一个全连接层组成。其中,每个Mlpconv是由多层感知机的微网络结构对每个局部感受野的卷积运算,由一层卷积和两层感知层组成;在最后一层Mlpconv后加入全连接层,并通过线性回归的方法实现海浪高度值的输出。如图4所示,本发明实施例提供的近岸海浪浪高值高精度检测的深度学习模型网络架构包括:
输入层:输入海浪图像为三通道真彩图像,图像尺寸为32x32x3的数据集。
第一个Mlpconv层:卷积核设置为3x3x3的大小16个,感知器通过1x1卷积实现,分别为1x1x16和1x1x32,最后通过池化层降维处理;
第二个Mlpconv层:卷积核设置为3x3x16的大小32个,感知器通过1x1卷积实现,分别为1x1x32和1x1x32,最后通过池化层降维处理;
第三个Mlpconv层:卷积核设置为3x3x32的大小64个,感知器通过1x1卷积实现,分别为1x1x64和1x1x64,最后通过池化层降维处理;
第四个Mlpconv层:卷积核设置为3x3x64的大小128个,感知器通过1x1卷积实现,分别为1x1x128和1x1x128,最后通过池化层降维处理;
全连接层:通过卷积层和池化层输出的图像具有比较高层的特征,将二维的feature map通过全连接层将其映射到一维空间,设置20x1的全连接参数,通过线性回归的方法,将其输出为连续变量的海浪浪高检测值,使用Leaky-Relu函数进行非线性激活,同时使用L1正则化处理。
下面结合具体实施例对本发明的应用原理做进一步描述。
实施例1:
1、海浪视频图像数据集:
传统的图像特征方法对于海浪浪高值的检测大都是基于SAR影像,近岸海浪图像主要基于岸基的监控视频拍摄,本发明实施例基于X岛、小洋山港等多个港口的岸基监控视频,通过截取视频帧和滑动截取海浪区域的方式,制作了大量的数据集:
67个X岛视频,每个视频一个小时,按照每分钟提取一帧,总共提取4000多张图像,依据测得的实验数据说明,更具视频的有效波高测量值对帧图像标签化,总共分成20类;再通过旋转拉伸的方式将数据扩充至每个label1000张,其中700张作为训练集,300张作为测试集;同时从获取的数据集中随机选取300张图像,分成20类,对每个类中的图像运用二值化处理的方法制作一个每类含有5个图像的数据集,共100张图像,并依据海况等级划分表可知,本发明得到的20类浪高值分在三个等级区间内:2级:0.1-0.5m;3级:0.5-1.25m;4级:1.25-2.5m;所得数据集情况如下表1所示,并对图像统一进行预处理,如图6所示:
表1数据集样本
2、模型设计
对于近岸岸基监控视频,构建出基于深度学习的近岸海浪检测模型,首先给出近岸海浪图像数据集制作流程,再根据网络模型的数据输入,将数据集分成多种样本类型,其次建立数据训练的多种网络模型,通过对比分析模型的可行性,然后输入训练数据,测试网络输出的合理性以及精确性,再优化模型,通过多种方法的比较,得出最优结构模型。
卷积神经网络是受生物神经学知识启发并参考其结构原理结合人工神经网络的一种前馈神经网络,与传统方法相比,CNN采用局部感受野、权值共享和空间采样技术,使得网络的训练参数相比于神经网络大大减少,从而提高大大提高学***移、旋转和扭曲不变性,成为计算机视觉图像领域的经典方法。
1)构建传统CNN网络架构,如图7所示,构建CNN网络结构,含有三层卷积、三层池化、三层全连接,输出层输出预测的海浪浪高值。
CNN网络架构:
输入层:输入海浪图像为三通道真彩图像,图像尺寸为32x32x3的数据集。
第一层卷积:设置5x5x3的卷积核20个,得到20个feature map,Leaky-Relu函数进行非线性激活,同时使用L1正则化处理,同时设置最大池化层对输出的feature map进行降维。
第二层卷积:设置5x5x20的卷积核50个,得到50个feature map,Leaky-Relu函数进行非线性激活,同时使用L1正则化处理,同时设置最大池化层对输出的feature map进行降维。
第三层卷积:设置4x4x50的卷积核50个,得到50个feature map,Leaky-Relu函数进行非线性激活,同时使用L1正则化处理,同时设置最大池化层对输出的feature map进行降维。
全连接层:通过卷积层和池化层输出的图像具有比较高层的特征,将二维的feature map通过全连接层将其映射到一维空间,设置20x1的全连接参数,通过线性回归的方法,将其输出为连续变量的海浪浪高检测值,使用Leaky-Relu函数进行非线性激活,同时使用L1正则化处理。
2)构建NIN网络结构,如图4所示,NIN的整体结构是由多个多层感知层和卷积层(Mlpconv)组合而成,其中包括多个Mlpconv层次结构,每个Mlpconv层都是由一层卷积和两层感知层组成,其中感知层通过1x1的卷积实现,在最后一层Mlpconv后加入全连接层,并通过线性回归的方法实现海浪高度值的输出。图4显示了具有四个Mlpconv层的NIN网络结构模型。在每个Mlpconv层内,有一个卷积层和两个感知层,感知层通过1x1卷积实现。NIN和微网络(Mlpconv)中的层数都很灵活,可以针对特定任务进行调整,相比较于传统的CNN网络结构,其可以更好地增强海浪图像的局部学习能力。
NIN网络结构:不同于传统的CNN网络结构模型,NIN网络结构在传统CNN池化层的基础上通过增加多层感知器来增强网络对于海浪图像的局部学习能力。
架构如下:
输入层:输入海浪图像为三通道真彩图像,图像尺寸为32x32x3的数据集。
第一个Mlpconv层:卷积核设置为3x3x3的大小16个,感知器通过1x1卷积实现,分别为1x1x16和1x1x32,最后通过池化层降维处理;
第二个Mlpconv层:卷积核设置为3x3x16的大小32个,感知器通过1x1卷积实现,分别为1x1x32和1x1x32,最后通过池化层降维处理;
第三个Mlpconv层:卷积核设置为3x3x32的大小64个,感知器通过1x1卷积实现,分别为1x1x64和1x1x64,最后通过池化层降维处理;
第四个Mlpconv层:卷积核设置为3x3x64的大小128个,感知器通过1x1卷积实现,分别为1x1x128和1x1x128,最后通过池化层降维处理;
全连接层:通过卷积层和池化层输出的图像具有比较高层的特征,将二维的feature map通过全连接层将其映射到一维空间,设置20x1的全连接参数,通过线性回归的方法,将其输出为连续变量的海浪浪高检测值,使用Leaky-Relu函数进行非线性激活,同时使用L1正则化处理。
下面结合具体实验对本发明作进一步描述。
针对表1中的数据集样本,本发明依据不同数据集做了大量的实验对比,通过与传统方法的对比,证明本方法在近岸海浪高度值检测上的精确性。
①基于支持向量机(SVM)的近岸海浪等级分类
数据集:如表1中的数据集1所示。
实验过程:提取近岸海浪图像的四个特征值,包括基于灰度共生矩阵提取三个独立特征量熵、惯性矩和相关性;考虑到不同等级海浪图像的颜色明暗分布上的差异性,同时提取一阶颜色矩;将熵、惯性矩、相关性和一阶颜色矩四个特征作为向量输入分类器训练,并使用测试集测试训练结果。
实验结果:
测试集分类结果如图8所示,依据国际海况等级划分,实验数据集分为三类(实施例1中说明),测试数据集对于近岸海浪图像的分类精度为86.67%,对于精确海浪高度值的分类检测无法做到准确判断。
②基于传统卷积网络(CNN)的近岸海浪等级分类
数据集:如表1中的数据集2所示
实验过程:构建传统的CNN网络模型(具体架构实施例1中说明),数据集2(32x32x3)测试网络结果,如表2所示:
表2 CNN分类测试结果
由表2中数据可以看出,传统的CNN网络模型对于越高的浪高值的分类检测精度越高,对于低浪高值的检测精度较低,且容易出现无法检测分类的问题。
③基于NIN网络模型的近岸海浪高度值检测
数据集:如表1中的数据集2、3、4所示
实验过程:构建NIN网络模型结构(具体架构实施例1中说明),通过不同数据集尺寸,测试网络输出结果。
实验结果:
表3 NIN网络模型下数据集2、3、4测试结果
通过以上实验数据的对比,本发明发现数据集2的网络测试结果最为理想,在同一误差范围下的精度最高;通过与支持向量机和传统CNN网络结构的对比可以看出,NIN网络模型应用于近岸海浪高度值检测中的精度更高。
本发明通过构建NIN网络结构和传统CNN网络结构进行比较,将不同的数据集合作为输入,通过大量图像的学习,并将测试集合输入训练好的模型,输出的结果通过测试分析,进一步验证了本发明方法的有效性。
图9和表4展示的是CNN网络结构的训练结果以及不同误差要求下的训练精度和测试精度。
表4 CNN测试精度
图10和表5展示的是NIN网络结构训练结果以及不同误差要求下的训练精度和测试精度,从结果来看,相较于传统的CNN网络模型,NIN的RMSE小于0.2,在不同误差要求下的训练精度和测试精度明显高于传统CNN网络模型,这表明,NIN的局部感知能力更强,能够更加精确地检测出不同等级的海浪高度值。
表5 NIN测试精度
为了进一步验证模型的有效性,测试一天的某时间段的海浪波动,图11输出的是利用NIN网络结构输出的一天中某时间段的近岸海浪波动曲线,从图中可以看出,在80%浪高精度的检测要求下,波动曲线能较好地反映出当前时间段的近岸浪高变化趋势,且波动噪点较少。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于卷积神经网络从近岸海浪视频中检测浪高的方法,其特征在于,所述基于卷积神经网络从近岸海浪视频中检测浪高的方法包括:
通过海浪视频预处理,从中抽取图像帧和计算帧间差分,组成包含浪高静态和动态信息的三通道图像;
构建对海浪浪高进行检测的多层感知卷积神经网络模型;
基于经视频预处理后的图像集构建训练数据集,对构建的网络模型进行不同浪高检测的训练;
利用训练好的模型较高精度的检测近岸浪的即时海浪高度值。
2.如权利要求1所述的基于卷积神经网络从近岸海浪视频中检测浪高的方法,其特征在于,所述基于卷积神经网络从近岸海浪视频中检测浪高的方法具体包括:
步骤一,海浪视频预处理,减少视频中的冗余信息,获取包含海浪静态和动态信息的海浪图像;
步骤二,结合多层感知卷积神经网络,构建近岸海浪图像的浪高检测网络结构模型;
步骤三,根据视频预处理后的海浪图像构建数据集,对步骤二所构建的浪高检测网络模型进行训练和测试,获得最佳模型参数;
步骤四,利用训练好的模型较高精度的检测近岸浪的实时海浪高度值。
3.如权利要求1所述基于卷积神经网络从近岸海浪视频中检测浪高的方法,其特征在于,近岸海浪视频预处理具体包括:
(1)获取近岸视频,对视频每隔t秒分段;
(2)对每一小段视频,保留第一帧图像I0,表征海浪静态特性;基于帧间差分分别计算第I0帧与后一帧I1及第t帧It的S0=|I0-I1|和S1=|I0-It|,表征海浪的相对短期和长期动态特性;
(3)由I0,S0,S1构成三个通道的海浪图像。
4.如权利要求1所述基于卷积神经网络从近岸海浪视频中检测浪高的方法,其特征在于,近岸海浪浪高值高精度检测的多层感知卷积神经网络模型包括:
基于NIN网络结构构建深度学习模型;NIN的整体结构是由多个多层感知卷积层和一个全连接层组成,每个多层感知卷积层由多层感知机的微网络结构对每个局部感受野的卷积运算,在正常的卷积层上实施级联跨通道加权池化,抽象出局部特征;通过全连接层输出的特征向量最后输入分类或预测模型计算分类或预测结果。
5.如权利要求2所述基于卷积神经网络从近岸海浪视频中检测浪高的方法,其特征在于,近岸海浪图像的多层感知卷积神经网络结构模型训练方法具体包括:
(1)从三通道的海浪图像中随机截取一定大小m×m的海浪区域图像,通过拉伸和旋转等方式对图像数据进行数据扩充;
(2)同时制作多组不同分辨率的图像数据,以视频拍摄地点的实测有效浪高作为标签,形成海浪数据集,并按照比例分为训练集和测试集;
(3)分别以不同分辨率数据集作为输入,利用其训练集对近岸海浪检测模型进行训练,其测试集对模型进行测试分析,获取最佳数据集尺寸及最佳网络参数。
6.一种实施权利要求1所述基于卷积神经网络从近岸海浪视频中检测浪高的方法的近岸海洋环境监测***。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910141884.5A CN109886217B (zh) | 2019-02-26 | 2019-02-26 | 一种基于卷积神经网络从近岸海浪视频中检测浪高的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910141884.5A CN109886217B (zh) | 2019-02-26 | 2019-02-26 | 一种基于卷积神经网络从近岸海浪视频中检测浪高的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109886217A true CN109886217A (zh) | 2019-06-14 |
CN109886217B CN109886217B (zh) | 2022-10-14 |
Family
ID=66929412
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910141884.5A Active CN109886217B (zh) | 2019-02-26 | 2019-02-26 | 一种基于卷积神经网络从近岸海浪视频中检测浪高的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109886217B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111105093A (zh) * | 2019-12-23 | 2020-05-05 | 浙江师范大学 | 基于CNN和BiLSTM的临近降水预测方法 |
CN111583325A (zh) * | 2020-05-10 | 2020-08-25 | 上海大学 | 一种基于图像处理的无人艇检测海浪的方法 |
CN111709928A (zh) * | 2020-06-12 | 2020-09-25 | 上海海洋大学 | 一种基于视频的近岸浪高实时检测*** |
CN111950438A (zh) * | 2020-08-10 | 2020-11-17 | 中国人民解放军国防科技大学 | 一种基于深度学习的天宫二号成像高度计有效波高反演方法 |
CN112085779A (zh) * | 2020-09-21 | 2020-12-15 | 上海海事大学 | 一种波浪参数估算方法及装置 |
CN113139343A (zh) * | 2021-04-25 | 2021-07-20 | 金陵科技学院 | 一种结构模型参数未知时动响应预测新方法 |
CN113156439A (zh) * | 2021-05-08 | 2021-07-23 | 中国石油大学(华东) | 一种基于数据驱动的sar风场海浪联合反演方法及*** |
CN113899349A (zh) * | 2021-10-26 | 2022-01-07 | 湖北中南鹏力海洋探测***工程有限公司 | 海浪参数检测方法、设备及存储介质 |
CN114445634A (zh) * | 2022-02-28 | 2022-05-06 | 南京信息工程大学 | 一种基于深度学习模型的海浪波高预测方法及*** |
CN114492217A (zh) * | 2022-04-19 | 2022-05-13 | 中国海洋大学 | 一种基于混合时间序列感知机模型的台风浪高预测方法 |
CN114519311A (zh) * | 2022-04-21 | 2022-05-20 | 中国海洋大学 | 全港池波浪有效波高的预测方法、***、存储介质、应用 |
CN114519806A (zh) * | 2022-01-29 | 2022-05-20 | 国家海洋环境预报中心 | 一种大洋浪级观测模型训练方法及*** |
CN114580509A (zh) * | 2022-02-21 | 2022-06-03 | 国家海洋环境预报中心 | 基于卷积长短记忆网络的海浪宏观特征量预测*** |
CN115983141A (zh) * | 2023-03-21 | 2023-04-18 | 国家***北海预报中心((国家***青岛海洋预报台)(国家***青岛海洋环境监测中心站)) | 一种基于深度学习反演海浪波高的方法、介质及*** |
CN116400307A (zh) * | 2023-03-21 | 2023-07-07 | 中国人民解放军海军大连舰艇学院 | 一种雷达海浪参数测量的标定方法 |
CN116524405A (zh) * | 2023-05-04 | 2023-08-01 | 广东海洋大学 | 海洋风暴的浪高识别方法与*** |
CN117875194A (zh) * | 2024-03-13 | 2024-04-12 | 青岛哈尔滨工程大学创新发展中心 | 基于少量实海观测数据的区域海浪场智能构建方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107545250A (zh) * | 2017-08-31 | 2018-01-05 | 哈尔滨工程大学 | 一种基于海浪图像遥感和人工智能的海洋浮体运动实时预报*** |
US20180163691A1 (en) * | 2016-12-09 | 2018-06-14 | National Technology & Engineering Solutions Of Sandia, Llc | Model predictive control of parametric excited pitch-surge modes in wave energy converters |
-
2019
- 2019-02-26 CN CN201910141884.5A patent/CN109886217B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180163691A1 (en) * | 2016-12-09 | 2018-06-14 | National Technology & Engineering Solutions Of Sandia, Llc | Model predictive control of parametric excited pitch-surge modes in wave energy converters |
CN107545250A (zh) * | 2017-08-31 | 2018-01-05 | 哈尔滨工程大学 | 一种基于海浪图像遥感和人工智能的海洋浮体运动实时预报*** |
Non-Patent Citations (2)
Title |
---|
徐凌宇等: "深度学习神经网络及其在海洋环境信息挖掘预测中的应用", 《海洋信息》 * |
郑宗生等: "基于深度学习的近岸海浪等级视频监测", 《海洋环境科学》 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111105093B (zh) * | 2019-12-23 | 2023-04-18 | 浙江师范大学 | 基于CNN和BiLSTM的临近降水预测方法 |
CN111105093A (zh) * | 2019-12-23 | 2020-05-05 | 浙江师范大学 | 基于CNN和BiLSTM的临近降水预测方法 |
CN111583325A (zh) * | 2020-05-10 | 2020-08-25 | 上海大学 | 一种基于图像处理的无人艇检测海浪的方法 |
CN111709928A (zh) * | 2020-06-12 | 2020-09-25 | 上海海洋大学 | 一种基于视频的近岸浪高实时检测*** |
CN111950438A (zh) * | 2020-08-10 | 2020-11-17 | 中国人民解放军国防科技大学 | 一种基于深度学习的天宫二号成像高度计有效波高反演方法 |
CN112085779B (zh) * | 2020-09-21 | 2024-03-22 | 上海海事大学 | 一种波浪参数估算方法及装置 |
CN112085779A (zh) * | 2020-09-21 | 2020-12-15 | 上海海事大学 | 一种波浪参数估算方法及装置 |
CN113139343A (zh) * | 2021-04-25 | 2021-07-20 | 金陵科技学院 | 一种结构模型参数未知时动响应预测新方法 |
CN113156439A (zh) * | 2021-05-08 | 2021-07-23 | 中国石油大学(华东) | 一种基于数据驱动的sar风场海浪联合反演方法及*** |
CN113156439B (zh) * | 2021-05-08 | 2022-08-30 | 中国石油大学(华东) | 一种基于数据驱动的sar风场海浪联合反演方法及*** |
CN113899349A (zh) * | 2021-10-26 | 2022-01-07 | 湖北中南鹏力海洋探测***工程有限公司 | 海浪参数检测方法、设备及存储介质 |
CN114519806B (zh) * | 2022-01-29 | 2022-10-11 | 国家海洋环境预报中心 | 一种大洋浪级观测模型训练方法及*** |
CN114519806A (zh) * | 2022-01-29 | 2022-05-20 | 国家海洋环境预报中心 | 一种大洋浪级观测模型训练方法及*** |
CN114580509A (zh) * | 2022-02-21 | 2022-06-03 | 国家海洋环境预报中心 | 基于卷积长短记忆网络的海浪宏观特征量预测*** |
CN114445634A (zh) * | 2022-02-28 | 2022-05-06 | 南京信息工程大学 | 一种基于深度学习模型的海浪波高预测方法及*** |
CN114492217B (zh) * | 2022-04-19 | 2022-07-22 | 中国海洋大学 | 一种基于混合时间序列感知机模型的台风浪高预测方法 |
CN114492217A (zh) * | 2022-04-19 | 2022-05-13 | 中国海洋大学 | 一种基于混合时间序列感知机模型的台风浪高预测方法 |
CN114519311A (zh) * | 2022-04-21 | 2022-05-20 | 中国海洋大学 | 全港池波浪有效波高的预测方法、***、存储介质、应用 |
CN115983141A (zh) * | 2023-03-21 | 2023-04-18 | 国家***北海预报中心((国家***青岛海洋预报台)(国家***青岛海洋环境监测中心站)) | 一种基于深度学习反演海浪波高的方法、介质及*** |
CN116400307A (zh) * | 2023-03-21 | 2023-07-07 | 中国人民解放军海军大连舰艇学院 | 一种雷达海浪参数测量的标定方法 |
CN116524405A (zh) * | 2023-05-04 | 2023-08-01 | 广东海洋大学 | 海洋风暴的浪高识别方法与*** |
CN116524405B (zh) * | 2023-05-04 | 2024-02-23 | 广东海洋大学 | 海洋风暴的浪高识别方法与*** |
CN117875194A (zh) * | 2024-03-13 | 2024-04-12 | 青岛哈尔滨工程大学创新发展中心 | 基于少量实海观测数据的区域海浪场智能构建方法及*** |
CN117875194B (zh) * | 2024-03-13 | 2024-05-28 | 青岛哈尔滨工程大学创新发展中心 | 基于少量实海观测数据的区域海浪场智能构建方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN109886217B (zh) | 2022-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886217A (zh) | 一种基于卷积神经网络从近岸海浪视频中检测浪高的方法 | |
CN107818326B (zh) | 一种基于场景多维特征的船只检测方法及*** | |
Franz et al. | Ocean eddy identification and tracking using neural networks | |
CN102564508B (zh) | 基于视频图像的河流流量在线测验实现方法 | |
CN109766830A (zh) | 一种基于人工智能图像处理的舰船目标识别***及方法 | |
CN110147743A (zh) | 一种复杂场景下的实时在线行人分析与计数***及方法 | |
CN109446925A (zh) | 一种基于卷积神经网络的电力设备检测算法 | |
CN107609601A (zh) | 一种基于多层卷积神经网络的舰船目标识别方法 | |
CN108830242A (zh) | 基于卷积神经网络的sar图像海洋目标分类检测方法 | |
CN109241913A (zh) | 结合显著性检测和深度学习的船只检测方法及*** | |
CN108898065A (zh) | 候选区快速筛选与尺度自适应的深度网络舰船目标检测方法 | |
Bonin-Font et al. | Visual discrimination and large area mapping of posidonia oceanica using a lightweight auv | |
CN114612769B (zh) | 一种融入局部结构信息的集成感知红外成像舰船检测方法 | |
CN107590819A (zh) | 一种基于压缩感知图像分析的河流表面流速估计方法 | |
Lam | Methodologies for mapping land cover/land use and its change | |
CN110414509A (zh) | 基于海陆分割和特征金字塔网络的港口停靠舰船检测方法 | |
Wlodarczyk-Sielicka et al. | Comparison of selected clustering algorithms of raw data obtained by interferometric methods using artificial neural networks | |
Zhang et al. | Nearshore vessel detection based on Scene-mask R-CNN in remote sensing image | |
CN108446721A (zh) | 一种基于多分支网络的水面环境解析方法 | |
Chen et al. | Port ship detection in complex environments | |
CN107766858A (zh) | 一种应用合成孔径雷达图像进行船舶检测的方法 | |
CN110705578A (zh) | 一种海岸线年际演变分析***及方法 | |
CN103996044B (zh) | 利用遥感图像提取目标的方法和装置 | |
Pape et al. | Multivariate analysis of nonlinearity in sandbar behavior | |
Wu et al. | iOceanSee: a novel scheme for ocean state estimation using 3D mobile convolutional neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |