一種滸苔檢測方法和裝置的制造方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及海洋遙感識別技術(shù)領(lǐng)域，具體而言，設(shè)及一種基于卷積神經(jīng)網(wǎng)絡(luò)的稱 苔檢測方法和裝置。
【背景技術(shù)】
[0002] 綠潮是在特定的環(huán)境條件下，海水中某些大型綠藻（如稱苔）爆發(fā)性增殖或高度 聚集而引起水體變色的一種有害生態(tài)現(xiàn)象。其中，綠潮可導(dǎo)致海洋災(zāi)害，當(dāng)海流將大量綠潮 藻類卷到海岸時，綠潮藻體腐敗產(chǎn)生有害氣體，破壞海岸景觀，對潮間帶生態(tài)系統(tǒng)也可能導(dǎo) 致?lián)p害。我國自2008至2012年，中國黃海海域連續(xù)5年在夏季發(fā)生綠潮災(zāi)害。因此，為了 更好的確定綠潮發(fā)生的過程，并對綠潮達到預(yù)防、治理進而達到合理利用綠潮的目的，對引 發(fā)綠潮的稱苔類藻類進行檢測是目前亟待解決的問題。
[0003] 相關(guān)技術(shù)中對稱苔進行檢測的方法具體如下：首先對綠潮信息進行提取，然后專 家人員根據(jù)上述提取的大量的數(shù)據(jù)樣本設(shè)計數(shù)據(jù)樣本對應(yīng)的數(shù)據(jù)特征值，然后人工對上述 數(shù)據(jù)特征值進行計算，并根據(jù)計算結(jié)果設(shè)定上述數(shù)據(jù)特征值闊值，最后在利用上述數(shù)據(jù)特 征值及對應(yīng)的闊值人工對待檢測數(shù)據(jù)進行識別和分類，用W檢測提取的待檢測綠潮信息是 否為稱苔。
[0004] 但是，傳統(tǒng)的稱苔檢測方法都是人工對樣本特征值和上述特征值對應(yīng)的闊值進行 設(shè)定，運對設(shè)計人員的知識、能力和經(jīng)驗要求較高，并且人工設(shè)計針對不同的數(shù)據(jù)源、不同 的目標(biāo)具有較大的局限性（體現(xiàn)在由于衛(wèi)星成像色調(diào)偏差、環(huán)境變化、天氣因素等影響，而 使得人工設(shè)計的特征無法表述所有情況），從而使得人工設(shè)定的特征值和闊值的精確度較 差；并且，衛(wèi)星采集的海洋遙感數(shù)據(jù)處理量巨大，多為海量數(shù)據(jù)，運給人工交互增加了繁重 的工作量。
[0005] 發(fā)明人在研究中發(fā)現(xiàn)，相關(guān)技術(shù)中的稱苔檢測方法存在樣本特征和闊值設(shè)定不準(zhǔn) 確，人工工作量大等缺陷，針對稱苔檢測的問題，目前尚未提出有效解決方法。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的在于提供一種稱苔檢測方法和裝置，采用卷積神經(jīng)網(wǎng)絡(luò)對大量的數(shù) 據(jù)進行自動計算得到超高維特征，降低了人員參與度，具有較高的魯棒性；并且解決了環(huán) 境、衛(wèi)星本身等多因素的影響問題，大幅降低了人工工作量，提升了識別效果。
[0007] 第一方面，本發(fā)明實施例提供了一種稱苔檢測方法，其特征在于，包括：
[0008] 采用深度學(xué)習(xí)方法對選取的樣本數(shù)據(jù)進行模型設(shè)計，得到預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模 型；所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型包括：輸入數(shù)據(jù)層、標(biāo)簽層、卷積層、池化層、全連接層和 softmax層；
[0009] 對得到的所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型進行多次迭代訓(xùn)練，并在所述預(yù)設(shè)卷積神經(jīng) 網(wǎng)絡(luò)模型的精度達到預(yù)設(shè)闊值時確定為實際應(yīng)用的卷積神經(jīng)網(wǎng)絡(luò)模型；
[0010] 根據(jù)確定的所述卷積神經(jīng)網(wǎng)絡(luò)模型對采集的待檢測區(qū)域的綠潮信息進行檢測，輸 出所述綠潮信息是否為稱苔的檢測結(jié)果。
[0011] 結(jié)合第一方面，本發(fā)明實施例提供了第一方面的第一種可能的實施方式，其中，所 述對得到的所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型進行多次迭代訓(xùn)練，并在所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模 型的精度達到預(yù)設(shè)闊值時確定為實際應(yīng)用的卷積神經(jīng)網(wǎng)絡(luò)模型包括：
[0012] 計算所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型中每一層的神經(jīng)元的值χ?=f(ui)，ui= 1+bi，直至得到最后一層的神經(jīng)元的值；其中，X代表神經(jīng)元的值，1代表預(yù)設(shè)卷積神經(jīng) 網(wǎng)絡(luò)模型中的層數(shù)，f代表激活函數(shù)，U代表當(dāng)前層的一個神經(jīng)元的輸入;W代表權(quán)重，1-1 代表當(dāng)前層的上一層，b代表偏置；
[0013] 根據(jù)所述最后一層的神經(jīng)元的值與最后一層的標(biāo)簽，計算所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò) 模型的誤差
其中，E表示誤差，C代表兩 類，k表示每一類的序號，η代表序號的總數(shù)；
[0014] 在所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型的誤差符合預(yù)設(shè)誤差闊值時，確定對應(yīng)的預(yù)設(shè)卷積 神經(jīng)網(wǎng)絡(luò)模型為實際應(yīng)用的卷積神經(jīng)網(wǎng)絡(luò)模型。
[0015] 結(jié)合第一方面的第一種可能的實施方式，本發(fā)明實施例提供了第一方面的第二種 可能的實施方式，其中，所述在所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型的誤差符合預(yù)設(shè)誤差闊值時，確 定對應(yīng)的預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型為實際應(yīng)用的卷積神經(jīng)網(wǎng)絡(luò)模型包括：
[0016] 采用梯度下降法對所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型中的權(quán)重系數(shù)進行優(yōu)化
其中，W表示權(quán)重，t代表優(yōu)化的當(dāng)前次數(shù)，巧E/3W代表 誤差倒數(shù)，η表示學(xué)習(xí)速率；
[0017] 將優(yōu)化結(jié)果在最優(yōu)點時對應(yīng)權(quán)重值進行保存并作為預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型的權(quán) 重系數(shù)，得到實際應(yīng)用的卷積神經(jīng)網(wǎng)絡(luò)模型。
[0018] 結(jié)合第一方面的第二種可能的實施方式，本發(fā)明實施例提供了第一方面的第Ξ種 可能的實施方式，其中，所述根據(jù)確定的所述卷積神經(jīng)網(wǎng)絡(luò)模型對采集的待檢測區(qū)域的綠 潮信息進行檢測，輸出所述綠潮信息是否為稱苔的檢測結(jié)果，包括：
[0019] 設(shè)定確定的所述卷積神經(jīng)網(wǎng)絡(luò)模型的識別步長；
[0020] 在采集的綠潮信息中獲取每一個識別步長對應(yīng)的圖像數(shù)據(jù)；
[0021] 對每一個所述圖像數(shù)據(jù)進行前饋計算，輸出所有圖像數(shù)據(jù)對應(yīng)的綠潮信息是否為 稱苔的檢測結(jié)果。
[0022] 結(jié)合第一方面，本發(fā)明實施例提供了第一方面的第四種可能的實施方式，其中，在 采用深度學(xué)習(xí)方法對選取的樣本數(shù)據(jù)進行模型設(shè)計之前，還包括：
[0023] 利用植被指數(shù)計算方法，提取含有稱苔的圖像數(shù)據(jù)和不含有稱苔的圖像數(shù)據(jù)作為 樣本數(shù)據(jù)；
[0024] 對提取的所述樣本數(shù)據(jù)進行預(yù)處理，所述預(yù)處理至少包括W下處理方法中的一種 或多種：添加噪聲、增強樣本數(shù)據(jù)和增加訓(xùn)練數(shù)據(jù)量。
[0025] 結(jié)合第一方面的第Ξ種可能的實施方式或第四種可能的實施方式，本發(fā)明實施例 提供了第一方面的第五種可能的實施方式，其中，所述根據(jù)確定的所述卷積神經(jīng)網(wǎng)絡(luò)模型 對采集的待檢測區(qū)域的綠潮信息進行檢測之前，還包括：
[0026] 導(dǎo)入衛(wèi)星采集的遙感影像，提取所述遙感影像中預(yù)設(shè)波段的綠潮信息對應(yīng)的圖像 數(shù)據(jù)；
[0027] 按照預(yù)設(shè)的數(shù)據(jù)塊大小對提取的所述圖像數(shù)據(jù)進行裁剪處理，得到預(yù)設(shè)數(shù)據(jù)塊大 小的圖像數(shù)據(jù)。
[0028] 結(jié)合第一方面的第五種可能的實施方式，本發(fā)明實施例提供了第一方面的第六種 可能的實施方式，其中，所述方法還包括：
[0029] 在完成每一個所述遙感影像的識別后，根據(jù)識別結(jié)果生成離散點標(biāo)注；對離散點 標(biāo)注進行矢量化處理；所述矢量化處理包括W下處理方法中的一種或多種：位置獲取、面 積計算和專題制圖。
[0030] 結(jié)合第一方面的第六種可能的實施方式，本發(fā)明實施例提供了第一方面的第屯種 可能的實施方式，其中，所述方法還包括：
[0031] 在人機交互界面提供對稱苔檢測結(jié)果的監(jiān)控：接收用戶發(fā)送的檢測稱苔檢測結(jié)果 是否正常的監(jiān)控指令，在所述稱苔檢測結(jié)果存在誤判或漏判時，提示用戶對所述稱苔檢測 結(jié)果進行人工交互處理。
[0032] 第二方面，本發(fā)明實施例還提供了一種稱苔檢測裝置，其特征在于，包括：
[0033] 模型設(shè)計單元，用于采用深度學(xué)習(xí)方法對選取的樣本數(shù)據(jù)進行模型設(shè)計，得到預(yù) 設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型；所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型包括：輸入數(shù)據(jù)層、標(biāo)簽層、卷積層、池 化層、全連接層和softmax層；
[0034] 迭代訓(xùn)練單元，用于對所述模型設(shè)計單元設(shè)計得到的所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型 進行多次迭代訓(xùn)練，并在所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型的精度達到預(yù)設(shè)闊值時確定為實際應(yīng) 用的卷積神經(jīng)網(wǎng)絡(luò)模型；
[0035] 檢測單元，用于根據(jù)所述迭代訓(xùn)練單元確定的所述卷積神經(jīng)網(wǎng)絡(luò)模型對采集的待 檢測區(qū)域的綠潮信息進行檢測，輸出所述綠潮信息是否為稱苔的檢測結(jié)果。
[0036] 結(jié)合第二方面，本發(fā)明實施例提供了第二方面的第一種可能的實施方式，其中，所 述迭代訓(xùn)練單元包括：
[0037] 第一計算子單元，用于計算所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型中每一層的神經(jīng)元的值 =f(ui)，ui=WVi+bi，直至得到最后一層的神經(jīng)元的值；其中，X代表神經(jīng)元的值，1代表 預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型中的層數(shù)，f代表激活函數(shù)，U代表當(dāng)前層的一個神經(jīng)元的輸入;W代 表權(quán)重，1-1代表當(dāng)前層的上一層，b代表偏置；
[0038] 第二計算子單元，用于根據(jù)所述第一計算子單元計算得到的最后一 層的神經(jīng)元的值與最后一層的標(biāo)簽，計算所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型的誤差
其中，E表示誤差，C代表兩類，k表示每 一類的序號，η代表序號的總數(shù)；
[0039] 確定子單元，用于在所述預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型的誤差符合預(yù)設(shè)誤差闊值時，確 定對應(yīng)的預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型為實際應(yīng)用的卷積神經(jīng)網(wǎng)絡(luò)模型