CN107330440A - 基于图像识别的海洋状态计算方法 - Google Patents

基于图像识别的海洋状态计算方法 Download PDF

Info

Publication number
CN107330440A
CN107330440A CN201710347596.6A CN201710347596A CN107330440A CN 107330440 A CN107330440 A CN 107330440A CN 201710347596 A CN201710347596 A CN 201710347596A CN 107330440 A CN107330440 A CN 107330440A
Authority
CN
China
Prior art keywords
image
sea
data
identification
sea situation
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
Application number
CN201710347596.6A
Other languages
English (en)
Other versions
CN107330440B (zh
Inventor
张翠翠
刘志磊
常帅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN201710347596.6A priority Critical patent/CN107330440B/zh
Publication of CN107330440A publication Critical patent/CN107330440A/zh
Application granted granted Critical
Publication of CN107330440B publication Critical patent/CN107330440B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及海洋观测的海况估计领域，为利用深度学习的PCANet算法，通过采集不同海况的图片库，训练出能够进行自动图像识别和分类的模型，对实时采集的海况图像进行海况识别与分类。本发明采用的技术方案是，基于图像识别的海洋状态计算方法，步骤如下：第一步：数据的获取；第二步：图像的预处理：包括图像增强、图像去噪、图像正规化和图像分割；第三步：图像特征提取与识别：具体使用PCANet的深度学习算法来进行图像特征提取与识别；第四步：测试与结果分析：利用测试样本去验证训练模型的准确率。本发明主要应用于海洋观测。

Description

基于图像识别的海洋状态计算方法
技术领域
本发明涉及海洋观测的海况估计领域(又称海洋状态计算，Sea Stateestimation)，尤其涉及利用图像识别方法进行海洋状态计算或海况估计，具体讲,涉及利用深度学习中的主成分分析网络的方法通过对不同海洋状态的图像进行分类实现对海洋状态的自动识别。
背景技术
海况估计(又称为海况识别或海洋状态计算)作为海洋观测的重要内容对海洋环境与资源监测、海域动态监管、海洋信息管理、海洋目标定位与海上安全等具有重要战略意义。目前采用的海况估计算法主要利用传统走航式或卫星遥感获取的海浪、风速数据进行，仍存在一些缺陷。其一，传统走航式方法由于观测时间、空间不连续，难以进行大面积长时间观测。其二，海洋卫星遥感虽然具有大范围、实时获取数据的优点，但是由于其分辨率低，进行海况估计时准确率偏低，而且成本高。目前，随着图像获取与识别技术的发展，在海上安装摄像头(电子眼)进行实时图像感知已成为研究海况的一种趋势。但是，现有利用图像进行海况估计方法主要依赖人对图像进行识别来进行，一方面由于不同的人判定标准不同很容易导致判断结果不一致，另一方面此类方法过于依赖人为参与而很难进行大范围推广应用。本发明为了解决这些问题，利用深度学习中的主成分分析网络(PrincipleComponent Analysis Network,以下简称PCANet)算法通过图像识别实现海况自动估计。
发明内容
为克服现有技术的不足，本发明旨在利用深度学习的PCANet算法，通过采集不同海况的图片库，训练出能够进行自动图像识别和分类的模型，对实时采集的海况图像进行海况识别与分类。本发明采用的技术方案是，基于图像识别的海洋状态计算方法，步骤如下：
第一步：数据的获取：该部分主要获取两种数据，一种是安装在浮标上的摄像机拍摄的海况图像数据，一种是利用传感器获得的相同区域相同时间的海浪与风速数据，其中图像数据用于海况识别，海浪与风速数据作为对照数据用于海况级别的标注，所有的数据按照机器学习的思想都要分成两类：训练样本和测试样本，其中训练样本用于训练海况估计的机器学习模型，测试样本用于算法准确性的测试，为了使得训练模型具有高鲁棒性，按照拍摄条件不同对每种海况采集多张数据；
第二步：图像的预处理：包括图像增强、图像去噪、图像正规化和图像分割；
第三步：图像特征提取与识别：具体使用PCANet的深度学习算法来进行图像特征提取与识别；
第四步：测试与结果分析：利用测试样本去验证训练模型的准确率。
图像正规化是去除光照明变化的影响，图像分割用于去除包括背景和船只的参照物。
使用的PCANet算法步骤如下：PCANet首先通过主成分分析PCA方法来学习多层滤波器核，然后使用二值化哈希编码以及块直方图特征来进行采样和编码操作,最后输出编码的特征用于后续的分类识别。
本发明的特点及有益效果是：
(1)本发明开创了一种全新的海况估计(或海洋状态计算)的新思路，与以往基于传感器的传统走航式或卫星遥感式的海况估计算法不同，本方法采用的是图像识别的方法，补充了当今利用图像识别进行海况估计的空白，为以后海上摄像机(电子眼)的推广打下了良好的基础，具有非常广阔的市场前景。
(2)本发明采用了当今计算机科学与技术领域中的前沿技术之一的深度学习思想进行图像识别，具有非常高的识别效果，为今后基于图像识别的海况估计算法提供了很好的理论与技术平台。
附图说明：
图1是本发明的技术路线图。
图2：用于海洋状态计算的图像样本。
图3：PCANet的主要思想及流程。
具体实施方式
发明的主要内容是利用深度学习的PCANet算法，通过采集不同海况的图片库，训练出能够进行自动图像识别和分类的模型，对实时采集的海况图像进行海况识别与分类。
具体实施步骤如下：
第一步：数据的获取：该部分主要获取两种数据，一种是安装在浮标上的摄像机拍摄的海况图像数据，一种是利用传感器获得的相同区域相同时间的海浪与风速数据，其中图像数据用于海况识别，海浪与风速数据作为对照数据(benchmark data)用于海况级别的标注(labeling)。所有的数据按照机器学习的思想都要分成两类：训练样本和测试样本。其中训练样本用于训练海况估计的机器学习模型，测试样本用于算法准确性的测试。为了使得训练模型具有高鲁棒性，我们需要按照拍摄条件不同(光照条件不同、拍摄背景不同、有无参照船只等)对每种海况采集多张数据，预计每种海况采集40张图像，其中20张图像作为训练样本，20张图像作为测试样本。
第二步：图像的预处理：在上述采集的图片中，因为拍摄条件的不同(光照变化、背景不同、参照物不同)得到的图像质量与图像内容是不一样的，我们首先需要对图像进行预处理，主要包括图像增强、图像去噪、图像正规化(去除光照明变化的影响)和图像分割(用于去除背景和船只等参照物)。
第三步：图像特征提取与识别：该部分是我们的研究重点，需要选取合适的图像特征提取与识别算法以保证算法具有高识别率。我们采用一种在图像处理、模式识别中被大家广泛认可与应用的机器学习算法：深度学习。深度学习理论在图像的特征提取与识别中具有非常明显的优势，它利用深层神经网络模拟人类识别图像的过程，识别的准确率较传统的机器学习算法具有明显提高。在本课题中，我们使用一种PCANet的深度学习算法来进行，该方法是对传统的PCA算法利用深度学习思想进行的改进，在图像处理与模式识别中应用非常广泛。
本发明中使用的PCANet算法步骤如下：PCANet首先通过主成分分析(PCA)方法来学习多层滤波器核，然后使用二值化哈希编码以及块直方图特征来进行采样和编码操作,最后输出编码的特征用于后续的分类识别。
第四步：测试与结果分析：该部分主要利用测试样本去验证训练模型的准确率。我们将利用已经标注好(带有海况级别编号)的测试样本进行测试，分类识别算法将采用最近邻分类方法(Nearest Neighbor Classification)该部分将分析每种拍摄条件下的图像的识别率，并与传统的基于浪高和风速的海况估计算法进行对比分析。

Claims (3)

1.一种基于图像识别的海洋状态计算方法，其特征是，步骤如下：
第一步：数据的获取：该部分主要获取两种数据，一种是安装在浮标上的摄像机拍摄的海况图像数据，一种是利用传感器获得的相同区域相同时间的海浪与风速数据，其中图像数据用于海况识别，海浪与风速数据作为对照数据用于海况级别的标注，所有的数据按照机器学习的思想都要分成两类：训练样本和测试样本，其中训练样本用于训练海况估计的机器学习模型，测试样本用于算法准确性的测试，为了使得训练模型具有高鲁棒性，按照拍摄条件不同对每种海况采集多张数据；
第二步：图像的预处理：包括图像增强、图像去噪、图像正规化和图像分割；
第三步：图像特征提取与识别：具体使用主成分分析网络PCANet(PrincipleComponent Analysis Network)的深度学习算法来进行图像特征提取与识别；
第四步：测试与结果分析：利用测试样本去验证训练模型的准确率。
2.如权利要求1所述的基于图像识别的海洋状态计算方法，其特征是，图像正规化是去除光照明变化的影响，图像分割用于去除包括背景和船只的参照物。
3.如权利要求1所述的基于图像识别的海洋状态计算方法，其特征是，使用的PCANet算法步骤如下：PCANet首先通过主成分分析PCA方法来学习多层滤波器核，然后使用二值化哈希编码以及块直方图特征来进行采样和编码操作,最后输出编码的特征用于后续的分类识别。
CN201710347596.6A 2017-05-17 2017-05-17 基于图像识别的海洋状态计算方法 Active CN107330440B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710347596.6A CN107330440B (zh) 2017-05-17 2017-05-17 基于图像识别的海洋状态计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710347596.6A CN107330440B (zh) 2017-05-17 2017-05-17 基于图像识别的海洋状态计算方法

Publications (2)

Publication Number Publication Date
CN107330440A true CN107330440A (zh) 2017-11-07
CN107330440B CN107330440B (zh) 2020-08-14

Family

ID=60193631

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710347596.6A Active CN107330440B (zh) 2017-05-17 2017-05-17 基于图像识别的海洋状态计算方法

Country Status (1)

Country Link
CN (1) CN107330440B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109101990A (zh) * 2018-07-04 2018-12-28 沈阳农业大学 一种图像数据处理方法与系统
CN110097075A (zh) * 2019-03-21 2019-08-06 国家海洋信息中心 基于深度学习的海洋中尺度涡分类识别方法
CN111340951A (zh) * 2020-02-26 2020-06-26 天津大学 基于深度学习的海洋环境自动识别方法
CN114581817A (zh) * 2022-02-21 2022-06-03 国家海洋环境预报中心 从近岸海浪监控视频智能检测浪高和风速的方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1806501A (zh) * 2005-01-17 2006-07-26 厦门市汇阳科技有限公司 海洋浮游植物自动识别方法及装置
CN101813476A (zh) * 2010-03-19 2010-08-25 天津大学 近海波浪参数立体实时监测系统
CN202058299U (zh) * 2011-01-10 2011-11-30 天津海洋数码科技有限公司 海域状况实时监测系统
CN103745212A (zh) * 2014-02-07 2014-04-23 彭大维 一种海浪高度图像自动识别系统
CN103900541A (zh) * 2014-03-06 2014-07-02 哈尔滨工程大学 一种海况估计器
CN104268625A (zh) * 2014-10-09 2015-01-07 哈尔滨工程大学 一种基于海洋环境信息的自主式水下潜器航迹预测方法
CN104484681A (zh) * 2014-10-24 2015-04-01 西安电子科技大学 基于空间信息和集成学习的高光谱遥感影像分类方法
CA2802375C (en) * 2010-07-21 2015-12-29 Ron Abileah Methods for mapping depth and surface current
CN105844627A (zh) * 2016-03-21 2016-08-10 华中科技大学 一种基于卷积神经网络的海面目标图像背景抑制方法
US9816812B2 (en) * 2010-06-15 2017-11-14 California Institute Of Technology Systems and methods for automated vessel navigation using sea state prediction

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1806501A (zh) * 2005-01-17 2006-07-26 厦门市汇阳科技有限公司 海洋浮游植物自动识别方法及装置
CN101813476A (zh) * 2010-03-19 2010-08-25 天津大学 近海波浪参数立体实时监测系统
US9816812B2 (en) * 2010-06-15 2017-11-14 California Institute Of Technology Systems and methods for automated vessel navigation using sea state prediction
CA2802375C (en) * 2010-07-21 2015-12-29 Ron Abileah Methods for mapping depth and surface current
CN202058299U (zh) * 2011-01-10 2011-11-30 天津海洋数码科技有限公司 海域状况实时监测系统
CN103745212A (zh) * 2014-02-07 2014-04-23 彭大维 一种海浪高度图像自动识别系统
CN103900541A (zh) * 2014-03-06 2014-07-02 哈尔滨工程大学 一种海况估计器
CN104268625A (zh) * 2014-10-09 2015-01-07 哈尔滨工程大学 一种基于海洋环境信息的自主式水下潜器航迹预测方法
CN104484681A (zh) * 2014-10-24 2015-04-01 西安电子科技大学 基于空间信息和集成学习的高光谱遥感影像分类方法
CN105844627A (zh) * 2016-03-21 2016-08-10 华中科技大学 一种基于卷积神经网络的海面目标图像背景抑制方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
N. TRAN: "Sea state bias in altimeter sea level estimates determined by combining wave model and satellite data", 《JOURNAL OF GEOPHYSICAL RESEARCH-OCEANS》 *
NIMA ALAM: "Cramer-rao lower bound for ocean surface roughness estimation using multi-GPS bistatic radar", 《AUSTRALIAN SPACE SCIENCE CONFERENCE》 *
吴添华: "海面风向的提取和海况参数传输、反演表征系统的实现研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
周珍娟: "舰船遥感图像的目标识别研究", 《舰船科学技术》 *
张彪: "高海况海洋遥感信息提取技术研究进展", 《海洋技术学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109101990A (zh) * 2018-07-04 2018-12-28 沈阳农业大学 一种图像数据处理方法与系统
CN110097075A (zh) * 2019-03-21 2019-08-06 国家海洋信息中心 基于深度学习的海洋中尺度涡分类识别方法
CN110097075B (zh) * 2019-03-21 2023-04-18 国家海洋信息中心 基于深度学习的海洋中尺度涡分类识别方法
CN111340951A (zh) * 2020-02-26 2020-06-26 天津大学 基于深度学习的海洋环境自动识别方法
CN114581817A (zh) * 2022-02-21 2022-06-03 国家海洋环境预报中心 从近岸海浪监控视频智能检测浪高和风速的方法及系统

Also Published As

Publication number Publication date
CN107330440B (zh) 2020-08-14

Similar Documents

Publication Publication Date Title
CN111681240B (zh) 一种基于YOLO v3与注意力机制的桥梁表面裂痕检测方法
CN110930357B (zh) 一种基于深度学习的在役钢丝绳表面缺陷检测方法与系统
CN103499585B (zh) 基于机器视觉的非连续性锂电池薄膜缺陷检测方法及其装置
CN103324937B (zh) 标注目标的方法和装置
CN107330440A (zh) 基于图像识别的海洋状态计算方法
CN110414334A (zh) 一种基于无人机巡视的智能水质识别方法
CN112270310A (zh) 一种基于深度学习的跨摄像头行人多目标跟踪方法和装置
CN110598693A (zh) 一种基于Faster-RCNN的船牌识别方法
CN107480585B (zh) 基于dpm算法的目标检测方法
CN108921099A (zh) 一种基于深度学习的航道内运动船舶目标检测方法
CN102509085A (zh) 基于轮廓不变矩特征的猪行走姿态识别系统和方法
CN112418028A (zh) 一种基于深度学习的卫星图像中船舶识别与分割方法
Zhao et al. Research on detection method for the leakage of underwater pipeline by YOLOv3
CN116665095B (zh) 一种运动舰船检测方法、系统、存储介质和电子设备
CN114898290A (zh) 一种海上船舶实时检测方法及系统
CN114331961A (zh) 用于对象的缺陷检测的方法
CN116977334B (zh) 一种光缆表面瑕疵检测方法及装置
CN112561885B (zh) 基于YOLOv4-tiny的插板阀开度检测方法
CN109598712A (zh) 塑料泡沫餐盒的质量检测方法、装置、服务器及存储介质
CN109784389A (zh) 一种基于Adaboost和Gabor算法的煤岩识别检测方法
Wang et al. Visual defect detection for substation equipment based on joint inspection data of camera and robot
CN205607428U (zh) 一种环形件视觉检测系统
CN112419304B (zh) 一种面向一维数据的多阶段目标检测方法及装置
CN110880168A (zh) 一种基于机器视觉的纸病识别分类方法
Zhao et al. Fish Identification Method Based on Oriented Fast and Rotated Brief Algorithm and Convolutional Neural Network in Muddy Sea

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