的，本步驟的目的是用戶可W檢測(cè)上述自動(dòng)化識(shí)別是否正確，并在檢測(cè)到存 在小部分誤判、漏判等情況下，人工可參與對(duì)上述誤判、漏判情況進(jìn)行人工交互修訂，W提 升識(shí)別結(jié)果的準(zhǔn)確度。
[0102] 下面，結(jié)合整體對(duì)本發(fā)明提供的一種稱苔檢測(cè)方法進(jìn)行說明：
[0103] 本發(fā)明實(shí)施例中的待檢測(cè)區(qū)域中的綠潮信息為高分一二號(hào)可見光數(shù)據(jù)青島近海 區(qū)域的綠潮信息，并對(duì)該區(qū)域的綠潮信息進(jìn)行檢測(cè)識(shí)別，其中，高分一二號(hào)可見光數(shù)據(jù)即通 過高分一號(hào)二號(hào)光學(xué)傳感器（多光譜數(shù)據(jù)）采集的數(shù)據(jù)，上述傳感器包含4個(gè)波段固定且 相同。
[0104] 本發(fā)明實(shí)施例的主要目標(biāo)是利用適應(yīng)面更寬的中高分辨率光學(xué)衛(wèi)星遙感數(shù)據(jù)針 對(duì)近海稱苔檢測(cè)問題，開發(fā)高效、精確的檢測(cè)方法，采用卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方式，提 升檢測(cè)效果。
[0105] 本發(fā)明實(shí)施例提供的稱苔檢測(cè)方法主要包括兩階段流程：訓(xùn)練流程和識(shí)別流程。
[0106] 訓(xùn)練流程中，需要進(jìn)行數(shù)據(jù)準(zhǔn)備，人工標(biāo)定大量的高分遙感樣本數(shù)據(jù)，標(biāo)定青島近 海附近有稱苔和沒有稱苔兩類數(shù)據(jù)。對(duì)標(biāo)定的數(shù)據(jù)進(jìn)行預(yù)處理，提升數(shù)據(jù)質(zhì)量及數(shù)據(jù)樣例 覆蓋。設(shè)計(jì)模型，構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型，將標(biāo)定的樣本放到模型中訓(xùn)練，通過GPU的高效 計(jì)算，不斷迭代，直至計(jì)算誤差滿足要求，如果識(shí)別率不高，則調(diào)整模型。最終生成導(dǎo)出識(shí)別 模型。
[0107] 識(shí)別流程，應(yīng)用階段為識(shí)別流程，新采集的遙感衛(wèi)星數(shù)據(jù)通過模型計(jì)算識(shí)別出是 否是稱苔。首先，導(dǎo)入模型，對(duì)識(shí)別網(wǎng)絡(luò)進(jìn)行初始化，即將訓(xùn)練得到的權(quán)重賦給識(shí)別網(wǎng)絡(luò)，然 后將待識(shí)別數(shù)據(jù)加載到識(shí)別網(wǎng)絡(luò)中進(jìn)行前饋計(jì)算，輸出與計(jì)算結(jié)果對(duì)應(yīng)的是否為稱苔的結(jié) 果。
[010引本發(fā)明與現(xiàn)有技術(shù)相比的優(yōu)點(diǎn)在于：
[0109] 1、采用現(xiàn)有技術(shù)，通過專家設(shè)定特征，受限特征表述能力及專家知識(shí)。因?yàn)樾l(wèi)星成 像色調(diào)偏差、環(huán)境變化、天氣因素等影響，人工設(shè)計(jì)的特征無法表述所有情況。而采用卷積 神經(jīng)網(wǎng)絡(luò)的方式，可W通過大量的數(shù)據(jù)自動(dòng)計(jì)算出超高維特征，解決多因素影響問題。
[0110] 2、由于衛(wèi)星數(shù)據(jù)成像效果差異較大，特征闊值設(shè)定精確度有可能降低識(shí)別效果， 另外同一景影像中不同區(qū)域可能存在天氣差異及稱苔分布密度不同，造成同一闊值不能滿 足整景影像提取精度要求。采用本發(fā)明的技術(shù)，可W在不降識(shí)別效果的情況下，提高識(shí)別的 效率。由于海洋遙感數(shù)據(jù)處理量巨大，多為海量數(shù)據(jù)，現(xiàn)有技術(shù)需要大量的人工交互，進(jìn)行 識(shí)別提取。采用本發(fā)明提升自動(dòng)化率，其中計(jì)算提取部分實(shí)現(xiàn)自動(dòng)化，需要人工交互進(jìn)行部 分誤報(bào)剔除及漏報(bào)添加，大幅降低工作量，提升了識(shí)別效果。
[0111] 3、采用傳統(tǒng)方案，在識(shí)別提取階段需要人工交互，調(diào)整提取闊值，依賴工作人員主 觀設(shè)定，如果闊值設(shè)置不當(dāng)，有可能會(huì)出現(xiàn)大量的誤報(bào)或漏報(bào)，另外同一景影像中不同區(qū)域 可能存在天氣差異及稱苔分布密度不同，造成同一闊值不能滿足整景影像提取精度要求； 而采用本發(fā)明的方案，降低人員參與度，具有較高的魯棒性；上述魯棒性是指在不降低精度 的條件下滿足不成像效果的數(shù)據(jù)。
[0112] 本發(fā)明實(shí)施例還提供了一種稱苔檢測(cè)裝置，所述裝置用于執(zhí)行上述稱苔檢測(cè)方 法，參考圖5,裝置具體包括：
[0113] 模型設(shè)計(jì)單元11，用于采用深度學(xué)習(xí)方法對(duì)選取的樣本數(shù)據(jù)進(jìn)行模型設(shè)計(jì)，得到 預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型；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層對(duì)選取的樣本數(shù)據(jù)進(jìn)行模型設(shè)計(jì)，得到預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型； 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；
[0114] 迭代訓(xùn)練單元12,用于對(duì)模型設(shè)計(jì)單元11設(shè)計(jì)得到的預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn) 行多次迭代訓(xùn)練，并在預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型的精度預(yù)設(shè)闊值時(shí)確定為實(shí)際應(yīng)用的卷積神 經(jīng)網(wǎng)絡(luò)模型；
[0115] 檢測(cè)單元13,用于根據(jù)迭代訓(xùn)練單元12確定的卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)采集的待檢 測(cè)區(qū)域的綠潮信息進(jìn)行檢測(cè)，輸出綠潮信息是否為稱苔的檢測(cè)結(jié)果根據(jù)確定單元確定的卷 積神經(jīng)網(wǎng)絡(luò)模型對(duì)采集的待檢測(cè)對(duì)象的衛(wèi)星遙感數(shù)據(jù)進(jìn)行檢測(cè)，并根據(jù)檢測(cè)結(jié)果判斷待檢 測(cè)對(duì)象是否為稱苔。
[0116] 上述模型設(shè)計(jì)單元11采用深度學(xué)習(xí)的方法建立的預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型是根據(jù) 選取的大量的樣本數(shù)據(jù)初步建立得到的，其存在一定的誤差，故為了提高該模型的識(shí)別精 度或者說為了將該模型的誤差控制在一定范圍內(nèi)，需要對(duì)上述模型不斷進(jìn)行訓(xùn)練（即對(duì)該 模型中的特征值闊值進(jìn)行不斷訓(xùn)練），W得到精度較高的卷積神經(jīng)網(wǎng)絡(luò)模型。參考圖6,本 發(fā)明實(shí)施例提供的稱苔檢測(cè)裝置中，迭代訓(xùn)練單元12包括：
[0117] 第一計(jì)算子單元121，用于計(jì)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(U1)，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(gè)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；
[0118] 第二計(jì)算子單元122,用于根據(jù)所述第一計(jì)算子單元121計(jì)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(jì)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(hào)，η代表序號(hào)的總數(shù)；
[0119] 確定子單元123,用于在第二計(jì)算子單元122計(jì)算的預(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(shí)，確定對(duì)應(yīng)的預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型為實(shí)際應(yīng)用的卷積神經(jīng)網(wǎng)絡(luò)模 型。
[0120] 進(jìn)一步的，稱苔檢測(cè)裝置中，參考圖7,確定子單元123包括：
[0121]權(quán)重系數(shù)優(yōu)化處理模塊1231，用于采用梯度下降法對(duì)預(yù)設(shè)卷積神經(jīng)網(wǎng)絡(luò)模型中的 權(quán)重系數(shù)進(jìn)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)，3E/5W代表誤差倒數(shù)，η表示學(xué)習(xí)速率；
[0122] 權(quán)重值保存模塊1232,用于將優(yōu)化結(jié)果在最優(yōu)點(diǎn)時(shí)對(duì)應(yīng)權(quán)重值進(jìn)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(shí)際應(yīng)用的卷積神經(jīng)網(wǎng)絡(luò)模型。
[0123] 進(jìn)一步的，參考圖8,上述稱苔檢測(cè)裝置中，檢測(cè)單元13包括：
[0124] 設(shè)定子單元131，用于設(shè)定確定的卷積神經(jīng)網(wǎng)絡(luò)模型的識(shí)別步長；
[0125] 獲取子單元132,用于在采集的綠潮信息中獲取每一個(gè)識(shí)別步長對(duì)應(yīng)的圖像數(shù) 據(jù)；
[0126] 前饋計(jì)算子單元133,用于對(duì)每一個(gè)圖像數(shù)據(jù)進(jìn)行前饋計(jì)算，輸出所有圖像數(shù)據(jù)對(duì) 應(yīng)的綠潮信息是否為稱苔的檢測(cè)結(jié)果。
[0127] 進(jìn)一步的，參考圖9,上述稱苔檢測(cè)裝置還包括：
[0128] 提取單元14,用于利用植被指數(shù)計(jì)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)；
[0129] 預(yù)處理單元15,用于對(duì)提取的樣本數(shù)據(jù)進(jìn)行預(yù)處理，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(qiáng)樣本數(shù)據(jù)和增加訓(xùn)練數(shù)據(jù)量。
[0130] 進(jìn)一步的，參考圖9,上述稱苔檢測(cè)裝置還包括：
[0131] 導(dǎo)入提取單元16,用于導(dǎo)入衛(wèi)星采集的遙感影像，提取遙感影像中預(yù)設(shè)波段的綠 潮信息對(duì)應(yīng)的圖像數(shù)據(jù)；
[0132] 裁剪處理單元17,用于按照預(yù)設(shè)的數(shù)據(jù)塊大小對(duì)提取的圖像數(shù)據(jù)進(jìn)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)。
[0133] 進(jìn)一步的，參考圖9,上述稱苔檢測(cè)裝置還包括：
[0134] 離散點(diǎn)標(biāo)注單元18,用于在完成每一個(gè)遙感影像的識(shí)別后，根據(jù)識(shí)別結(jié)果生成離 散點(diǎn)標(biāo)注；
[0135] 矢量化處理單元19,用于對(duì)離散點(diǎn)標(biāo)注進(jìn)行矢量化處理；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(jì)算和專題制圖。
[0136] 進(jìn)一步的，參考圖9,上述稱苔檢測(cè)裝置還包括：人機(jī)交互界面20,用于提供對(duì)稱 苔檢測(cè)結(jié)果的監(jiān)控；上述人機(jī)交互界面20包括：
[0137] 接收子單元201，用于接收用戶發(fā)送的檢測(cè)稱苔檢測(cè)結(jié)果是否正常的監(jiān)控指令； [013引提示子單元202,用于在稱苔檢測(cè)結(jié)果存在誤判或漏判時(shí)，提示用戶對(duì)稱苔檢測(cè)結(jié) 果進(jìn)行人工交互處理。
[0139] 本發(fā)明實(shí)施例提供的稱苔檢測(cè)裝置，與現(xiàn)有技術(shù)中的稱苔檢測(cè)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相比，其采用卷積神經(jīng)網(wǎng)絡(luò)的方式對(duì)大量的數(shù)據(jù) 進(jìn)行自動(dòng)計(jì)算得到超高維特征，降低了人員參與度，使得計(jì)算的樣本特征和對(duì)應(yīng)的闊值的 可靠性較高，具有較高的魯棒性，并且還解決了環(huán)境、衛(wèi)星本身等多因素的影響問題，同時(shí) 也大幅降低了工作量，提升了識(shí)別效果。
[0140] 本發(fā)明實(shí)施例所提供的進(jìn)行稱苔檢測(cè)方法的計(jì)算機(jī)程序產(chǎn)品，包括存儲(chǔ)了程序代 碼的計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所