CN112085779B - 一种波浪参数估算方法及装置 - Google Patents

Abstract

本发明公开了一种波浪参数估算方法及装置，所述波浪参数估算方法包括：获取波浪视频数据；利用改进的三维卷积神经网络对所述波浪视频数据进行处理，以构建波浪参数估算模型；通过所述波浪参数估算模型获取波浪参数估算值。本发明利用波浪视频数据和改进的三维卷积神经网络构建波浪参数估算模型，实现了对波浪参数的估算；本发明中改进的三维卷积神经网络采用深度可分离卷积，可以构造轻量级神将网络，极大地减少了波浪参数估算模型的计算开销和时间开销。

Description

一种波浪参数估算方法及装置

技术领域

本发明涉及水动力学技术领域，尤其涉及一种用于估计海洋状态的波浪参数估算方法及装置。

背景技术

海洋状态估计在海岸监测、港口设计以及自主智能船舶设计等方面发挥着重要作用，具体的海洋工程作业则要求对特定位置的海洋状况进行实时预报。但海洋环境相对复杂，尤其是风、浪、流等因素的影响，因此必须结合风、浪、流等海洋参数对海洋状态进行预估，从而确保海洋工程作业任务圆满且安全地完成。

在海洋环境中，波浪参数作为表示海浪形态和性质的主要参数，与海洋作业(例如海洋能源系统的设计)密切相关，而波浪参数的监测也一直是海洋工程应用中的关键，波浪高度、波浪周期以及波浪能级等波浪参数同样都是研究的热点。常用的波浪参数监测方法及技术包括人工观测、波浪浮标、X波段波浪雷达以及气象遥感卫星或天气预报。其中人工观测具有有很强的主观性；波浪浮标虽具有一定的可靠性，但抵抗风浪的能力很弱；X波段波浪雷达技术的使用不仅使监测成本高，而且还需要进行定期校准和维护；气象遥感卫星对云较为敏感，并具有较高的成本和准确性限制。

另外，目前对波浪参数的监测或预估大多依赖空间信息。然而在实际的海洋环境中，由于波浪具有强烈的动态性，连续时间窗口中波浪的变化信息非常重要，因此需要同时考虑时间和空间信息才能准确地监测或估算波浪高度及周期。

发明内容

本发明的目的在于提供一种波浪参数估算方法及装置，通过波浪视频数据实现对波浪参数的估算，并降低波浪参数监测成本。

为达到上述目的，本发明通过以下技术方案实现：

一种波浪参数估算方法，包括：

获取波浪视频数据；

利用改进的三维卷积神经网络对所述波浪视频数据进行处理，以构建波浪参数估算模型；

通过所述波浪参数估算模型获取波浪参数估算值。

优选地，执行所述利用改进的三维卷积神经网络对所述波浪视频数据进行处理，以构建波浪参数估算模型的步骤之前还包括：

获取波浪参数实际值；

对所述波浪视频数据进行预处理，以使所述波浪视频数据的分辨率满足要求。

优选地，所述改进的三维卷积神经网络采用深度可分离卷积，以构造轻量级神经网络；

所述深度可分离卷积将标准卷积分为深度卷积和点卷积。

优选地，所述利用改进的三维卷积神经网络对所述波浪视频数据进行处理，以构建波浪参数估算模型的步骤包括：

将所述波浪视频数据作为输入数据，并分为训练集和测试集；

从所述波浪视频数据的所述训练集中提取若干张第一特征图；

深度卷积核对每一所述第一特征图进行滤波并输出第一线性组合结果；

点卷积核根据所述第一线性组合结果输出若干张第二特征图；

对所有所述第二特征图进行下采样，并输出若干张第三特征图；

根据所述第三特征图获取所述训练集的所述波浪参数估算值，并构建波浪参数估算模型。

优选地，所述利用改进的三维卷积神经网络对所述波浪视频数据进行处理，以构建波浪参数估算模型的步骤还包括：

根据所述训练集的所述波浪参数实际值，采用误差反向传播算法对所述波浪参数估算模型进行迭代更新，以使所述波浪参数估算模型的损失小于预设值ε。

优选地，所述波浪参数包括：波浪高度和波浪周期；

所述波浪参数估算模型的损失采用如下公式进行计算：

L(Θ)＝αL_P(Θ)+βL_H(Θ)

其中Θ表示所述训练集；L_P(Θ)表示所述波浪周期的损失；L_H(Θ)表示所述波浪高度的损失；α表示L_P(Θ)的权重；β表示L_H(Θ)的权重；且α∈(0,1)，β∈(0,1)，α+β＝1；

所述波浪周期的损失采用如下公式进行计算：

其中N表示所述训练集中的样本数量；P_Ei表示第i个样本的所述波浪周期估算值；P_Mi表示第i个样本的所述波浪周期实际值；

所述波浪高度的损失采用如下公式进行计算：

其中N表示所述训练集中的样本数量；H_Ei表示第i个样本的所述波浪高度估算值；H_Mi表示第i个样本的所述波浪高度实际值。

优选地，所述通过所述波浪参数估算模型获取波浪参数估算值的步骤包括：

将所述波浪视频数据的所述测试集输入所述波浪参数估算模型，以获取所述测试集的所述波浪参数估算值。

优选地，所述通过所述波浪参数估算模型获取波浪参数估算值的步骤还包括：

通过预设评价指标对所述测试集的所述波浪参数估算值和所述波浪参数实际值进行对比分析，以对所述波浪参数估算模型进行精度评价。

优选地，所述预设评价指标包括：相关系数平方、一致性指数、均方根误差、均方根误差归一化以及平均绝对误差。

另一方面，本发明还提供一种波浪参数估算装置，包括：

监测终端，用于获取波浪视频数据；

计算机，其设置有GPU，用于利用改进的三维卷积神经网络对所述波浪视频数据进行处理，以构建波浪参数估算模型，并获取波浪参数估算值。

本发明与现有技术相比至少具有以下优点之一：

本发明提供的一种波浪参数估算方法及装置，利用波浪视频数据和改进的三维卷积神经网络构建波浪参数估算模型，从而实现对波浪参数的估算。

本发明中波浪视频数据既可以提供空间信息，又可以提供时间信息，使对波浪参数的估算更加准确。

本发明中改进的三维卷积神经网络采用深度可分离卷积，可以构造轻量级神经网络，极大地减少了构建波浪参数估算模型的计算开销和时间开销。

本发明使用监测终端采集波浪视频数据，并利用计算机实现波浪参数估算模型的构建以及对波浪参数的估算，极大地降低了成本，具有较好的经济性。

本发明构建的波浪参数估算模型具有较高的估算精度，可以使波浪参数估算值的准确性更高。

附图说明

图1是本发明一实施例提供的一种波浪参数估算方法的流程图；

图2是本发明一实施例提供的一种波浪参数估算方法的改进的三维卷积神经网络框架图；

图3是本发明一实施例提供的一种波浪参数估算方法的波浪参数估算模型与其他模型的波浪周期估算结果对比图；

图4是本发明一实施例提供的一种波浪参数估算方法的波浪参数估算模型与其他模型的波浪高度估算结果对比图；

图5a至图5e是本发明一实施例提供的一种波浪参数估算方法的波浪参数估算模型与其他模型的波浪周期估算精度对比图；

图6a至图6e是本发明一实施例提供的一种波浪参数估算方法的波浪参数估算模型与其他模型的波浪高度估算精度对比图。

具体实施方式

以下结合附图和具体实施方式对本发明提出的一种波浪参数估算方法及装置作进一步详细说明。根据下面说明，本发明的优点和特征将更清楚。需要说明的是，附图采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施方式的目的。为了使本发明的目的、特征和优点能够更加明显易懂，请参阅附图。须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

结合附图1～6e所示，本实施例提供一种波浪参数估算方法，包括：步骤S101、获取波浪视频数据；步骤S102、利用改进的三维卷积神经网络对所述波浪视频数据进行处理，以构建波浪参数估算模型；步骤S103、通过所述波浪参数估算模型获取波浪参数估算值。

请同时参考图1和图2，执行所述步骤S102之前还包括：获取波浪参数实际值；对所述波浪视频数据进行预处理，以使所述波浪视频数据的分辨率满足要求。

具体的，在本实施例中，分别于2019年3月6日、3月10日、3月14日、3月18日、3月22日、3月26日、3月30日以及4月3日、4月7日、4月11日和4月15日对所述波浪视频数据进行了采集，同时对所述波浪参数实际值进行了测量。所述波浪视频数据既可以提供空间信息，又可以提供时间信息，可以使对所述波浪参数的估算更加准确。对于采集的所述波浪视频数据可以采用图像处理软件(例如OpenCV)进行预处理，以将所述波浪视频数据裁剪至60×40像素，从而使所述波浪视频数据可以满足后续所述改进的三维卷积神经网络对输入数据的分辨率的要求，但本发明不以此为限。

请同时参考图1和图2，所述改进的三维卷积神经网络采用深度可分离卷积，以构造轻量级神经网络；所述深度可分离卷积将标准卷积分为深度卷积和点卷积。

可以理解的是，在一些实施例中，所述步骤S102包括：将所述波浪视频数据作为输入数据，并分为训练集和测试集；从所述波浪视频数据的所述训练集中提取若干张第一特征图；深度卷积核对每一所述第一特征图进行滤波并输出第一线性组合结果；点卷积核根据所述第一线性组合结果输出若干张第二特征图；对所有所述第二特征图进行下采样，并输出若干张第三特征图；根据所述第三特征图获取所述训练集的所述波浪参数估算值，并构建波浪参数估算模型。

具体的，所述改进的三维卷积神经网络为具有三层卷积层的神经网络，则所述改进的三维卷积神经网络包括：输入层、硬线层、第一卷积层、第一下采样层、第二卷积层、第二下采样层、第三卷积层以及输出层。所述改进的三维卷积神经网络中所述第一卷积层和所述第二卷积层均采用所述深度可分离卷积，所述深度可分离卷积通过将所述标准卷积分为深度卷积和点卷积，可以构造轻量级神经网络，从而减少所述改进的三维卷积神经网络的计算开销和时间开销，但本发明不以此为限。

在本实施例中，将所述波浪视频数据输入至所述输入层，并分为所述训练集和所述测试集。若所述训练集为一个7帧的60×40像素的视频帧，则所述硬线层可以根据所述视频帧生成五个信息通道(grey，gradient-x，gradient-y，optflow-x和optflow-y)，并根据五个信息通道提取33张所述第一特征图，其中根据grey，gradient-x和gradient-y三个信息通道可以提取21张所述第一特征图，根据optflow-x和optflow-y两个信息通道可以提取12张所述第一特征图，且33张所述第一特征图的大小均为60×40像素。

在所述第一卷积层中，可以使用所述深度可分离卷积提取46张所述第二特征图；对于根据grey，gradient-x和gradient-y三个信息通道提取的21张所述第一特征图，对应的第一标准卷积核的大小为7×7×3×21×30(空间维度为7×7，时间维度为3，输入通道数为21，输出通道数为30)，则第一深度卷积核的大小为7×7×3×21(空间维度为7×7，时间维度为3，输入通道数为21)，第一点卷积核的大小为1×1×3×21×30(空间维度为1×1，时间维度为3，输入通道数为21，输出通道数为30)，在所述第一深度卷积核和所述第一点卷积核依次对所有所述第一特征图进行卷积计算后可以输出30张所述第二特征图；对于根据optflow-x和optflow-y两个信息通道提取的12张所述第一特征图，对应的第二标准卷积核的大小为7×7×3×12×16(空间维度为7×7，时间维度为3，输入通道数为12，输出通道数为16)，则第二深度卷积核的大小为7×7×3×12(空间维度为7×7，时间维度为3，输入通道数为12)，第二点卷积核的大小为1×1×3×12×16(空间尺寸为1×1，输入通道数为12，输出通道数为16)，此时可以输出16张所述第二特征图。因此，在所述第一卷积层共输出了46张所述第二特征图，其中从grey，gradient-x和gradient-y三个信息通道对应获取30张所述第二特征图，从optflow-x和optflow-y两个信息通道对应获取16张所述第二特征图，且46张所述第二特征图的大小均为54×34像素。

在所述第一下采样层，对46张所述第二特征图进行第一次下采样，以降低所述第二特征图的分辨率，从而简化所述改进的三维卷积神经网络的计算复杂度并有利于提取主要特征；通过第一次下采样后可以获取46张所述第三特征图，其中从grey，gradient-x和gradient-y三个信息通道对应获取30张所述第三特征图，从optflow-x和optflow-y两个信息通道对应获取16张所述第三特征图，且所有所述第三特征图的大小均为27×17像素。

在所述第二卷积层，可以使用所述深度可分离卷积提取78张第四特征图；对于从grey，gradient-x和gradient-y三个信息通道获取的46张所述第三特征图，对应的第三标准卷积核的大小为7×6×3×30×54(空间维度为7×6，时间维度为3，输入通道数为30，输出通道数为54)，则第三深度卷积核的大小为7×6×3×30(空间维度为7×6，时间维度为3，输入通道数为30)，第三点卷积核的大小为1×1×3×30×54(空间维度为1×1，时间维度为3，输入通道数为30，输出通道数为54)，在所述第三深度卷积核和所述第三点卷积核依次对上述46张所述第三特征图进行卷积计算后可以输出54张所述第四特征图；对于从optflow-x和optflow-y两个信息通道获取的16张所述第三特征图，对应的第四标准卷积核的大小为7×6×3×16×24(空间维度为7×6，时间维度为3，输入通道数为16，输出通道数为24)，则第四深度卷积核的大小为7×6×3×16(空间维度为7×6，时间维度为3，输入通道数为16)，第四点卷积核的大小为1×1×3×16×24(空间尺寸为1×1，输入通道数为16，输出通道数为24)，此时可以输出24张所述第四特征图。因此，在所述第二卷积层共输出了78张所述第四特征图，其中从grey，gradient-x和gradient-y三个信息通道对应获取54张所述第四特征图，从optflow-x和optflow-y两个信息通道对应获取24张所述第四特征图，且78张所述第四特征图的大小均为21×14像素。

在所述第二下采样层，对78张所述第四特征图进行第二次下采样，以降低所述第四特征图的分辨率，从而简化所述改进的三维卷积神经网络的计算复杂度并有利于提取主要特征。通过第二次下采样后可以获取78张第五特征图，且所有所述第五特征图的大小均为7×4像素。

在所述第三卷积层，由于时间维度已经相对较小，仅在空间维度上对所述第五特征图进行卷积计算，此时第五标准卷积核的大小为7×4；通过对78张所述第五特征图的卷积计算可以获取128张第六特征图，且所有所述第六特征图的大小均为1×1像素，则128张所述第六特征图为128维的特征向量。此时在经过三层卷积和两次下采样后，7帧的60×40像素的视频帧可以转换为128维的特征向量，以获取视频帧中的波浪运动信息，从而获取所述波浪参数信息。

所述输出层由与所述波浪参数相同的输出单元组成，并且每个所述输出单元完全连接至所述第三卷积层中的128张所述第六特征图，以使每个所述输出单元可以根据128张所述第六特征图获取对应的所述波浪参数估算值，并构建所述波浪参数估算模型(3DMCNN)。所述波浪参数估算模型(3D MCNN)的网络结构具体信息如表1所示。

所述改进的三维卷积神经网络还包括第一完全连接层和第二完全连接层，且所述第一完全连接层包含2048个神经元，所述第二完全连接层包含512个神经元；所述第一完全连接层和所述第二完全连接层可以使所述第六特征图与所述输出单元进行更好的完全连接，从而更好地获取所述波浪参数估算值。

表1 3D MCNN模型的网络结构

请继续参考图2，所述步骤S102还包括：根据所述训练集的所述波浪参数实际值，采用误差反向传播算法对所述波浪参数估算模型进行迭代更新，以使所述波浪参数估算模型的损失小于预设值ε。

可以理解的是，在一些其他的实施例中，所述波浪参数包括：波浪高度和波浪周期；所述波浪参数估算模型的损失采用如下公式进行计算：

L(Θ)＝αL_P(Θ)+βL_H(Θ) (1)

其中Θ表示所述训练集；L_P(Θ)表示所述波浪周期的损失；L_H(Θ)表示所述波浪高度的损失；α表示L_P(Θ)的权重；β表示L_H(Θ)的权重；且α∈(0,1)，β∈(0,1)，α+β＝1；

所述波浪周期的损失采用如下公式进行计算：

其中N表示所述训练集中的样本数量；P_Ei表示第i个样本的所述波浪周期估算值；P_Mi表示第i个样本的所述波浪周期实际值；

所述波浪高度的损失采用如下公式进行计算：

其中N表示所述训练集中的样本数量；H_Ei表示第i个样本的所述波浪高度估算值；H_Mi表示第i个样本的所述波浪高度实际值。

具体的，对所述波浪参数估算模型(3D MCNN)进行迭代训练，使所述波浪参数估算模型的损失小于预设值ε，以提高所述波浪参数估算模型(3D MCNN)的精度，从而提高所述波浪参数估算值的准确性，但本发明不以此为限。

在本实施例中，所述波浪参数估算模型(3D MCNN)的损失可以根据所述波浪周期的损失、所述波浪高度的损失以及公式(1)进行计算；所述波浪周期以及所述波浪高度的损失则可以采用相对欧几里得距离的方法进行计算，即通过公式(2)以及公式(3)进行计算，其中所述训练集的所述波浪周期估算值以及所述波浪高度估算值可以由所述改进的三维卷积神经网络的所述输出层提供。当所述波浪参数估算模型(3D MCNN)的损失不小于所述预设值ε时，则所述改进的三维卷积神经网络从所述第一卷积层至所述输出层进行第一次迭代更新，并输出第一次迭代更新后的所述训练集的所述波浪周期估算值以及所述波浪高度估算值，同时计算第一次迭代更新后的所述波浪参数估算模型的损失是否小于所述预设值ε，若小于所述预设值ε，则所述改进的三维神经网络结束迭代更新，并保存此时的所述波浪参数估算模型(3D MCNN)；若大于所述预设值ε，则所述改进的三维卷积神经网络进行第二次迭代更新、第三次迭代更新等，直至迭代更新后的所述波浪参数估算模型的损失小于预设值ε。

请继续参考图1，所述步骤S103包括：将所述波浪视频数据的所述测试集输入所述波浪参数估算模型，以获取所述测试集的所述波浪参数估算值。

具体的，将所述测试集输入至基于所述改进的三维卷积神经网络以及所述训练集构建的所述波浪参数估算模型(3D MCNN)中，可以获取所述测试集的所述波浪周期估算值和所述波浪高度估算值。

在本实施例中，还可以将所述测试集作为输入数据代入现有的波浪参数估计模型(包括EOFWNN、FRULER、HM-CCD以及3D CNN)中，通过不同的模型对所述测试集的所述波浪参数进行估算，并将现有估计模型的估算结果与构建的所述波浪参数估算模型(3D MCNN)的估算结果进行对比分析。

请同时参考图1、图3至图6e，所述步骤S103还包括：通过预设评价指标对所述测试集的所述波浪参数估算值和所述波浪参数实际值进行对比分析，以对所述波浪参数估算模型进行精度评价。

在一些实施例中，所述预设评价指标包括：相关系数平方、一致性指数、均方根误差、均方根误差归一化以及平均绝对误差。

具体的，通过相关系数平方(R²)、一致性指数(I)、均方根误差(RMSE)、均方根误差归一化(NRMSE)以及平均绝对误差(MAE)五个评价指标，将由所述波浪参数估算模型(3DMCNN)以及现有的波浪参数估计模型(EOFWNN、FRULER、HM-CCD以及3D CNN)分别获取的所述测试集的所述波浪周期估算值和所述波浪高度估算值，与所述测试集的所述波浪周期实际值和所述波浪高度实际值进行对比分析，以对上述不同模型的精度进行评价，并对所述波浪参数估算模型(3D MCNN)与现有的波浪参数估计模型(EOFWNN、FRULER、HM-CCD以及3DCNN)的精度进行比较。

在本实施例中，图3和图4分别表示构建的3D MCNN模型与现有的EOFWNN、FRULER、HM-CCD以及3D CNN模型的所述波浪周期估算值与所述波浪周期实际值以及所述波浪高度估算值与所述波浪高度实际值的对比结果；从图3中可以看出，当所述波浪周期实际值较高时，各模型得到的估算值和实际值之间均会有较大的偏差，尤其是当所述波浪周期实际值大于9秒，各模型得到的估算值和实际值之间的偏差会随实际值的增加而增大。但与其他模型相比，3D MCNN模型和3D CNN模型的估算值和实际值的偏差较小，说明在对所述波浪周期的估算方面，3D MCNN模型和3D CNN模型的估算精度较高。从图4中可以看出，当所述波浪高度实际值较高时，各模型得到的估算值和实际值之间均会有较大的偏差，尤其是当所述波浪高度实际值超过0.6米时，各模型得到的估算值和实际值之间的偏差会随实际值的增加而增大。但与其他模型相比，3D MCNN模型和3D CNN模型的估算值和实际值的偏差较小，说明在对所述波浪高度的估算方面，3D MCNN模型和3D CNN模型的估算精度较高。

图5a至图5e以及图6a至图6e分别表示构建的3D MCNN模型与现有的EOFWNN、FRULER、HM-CCD以及3D CNN模型的所述波浪周期估算值与所述波浪周期实际值以及所述波浪高度估算值与所述波浪高度实际值的相关系数平方(R²)的对比结果；从图5a至图5e中可以看出，在对所述波浪周期的估算方面，这五种模型的相关系数平方分别为0.9906、0.9737、0.9815、0.9854和0.9945，3D MCNN模型的相关系数平方略低于3D CNN模型的相关系数平方，但高于其他模型的相关系数平方，表明关于所述波浪周期的估算，3D MCNN模型和3D CNN模型的估算精度较高。从图6a至图6e中可以看出，在对所述波浪高度的估算方面，这五种模型的相关系数平方分别为0.9986、0.9876、0.9883、0.9943和0.9990，3D MCNN模型的相关系数平方略低于3D CNN模型的相关系数平方，但高于其他模型的相关系数平方，表明对于所述波浪高度的估算，3D MCNN模型和3D CNN模型的估算精度较高。

在本实施例中，构建的3D MCNN模型与现有的3D CNN模型的精度对比结果如表2所示，从表2中可以看出，在所述波浪高度和所述波浪周期的估算精度方面，其中3D MCNN模型和3D CNN模型的估算精度评价指标R²，MAE的差异均小于1％；就NRMSE而言，两种模型的差值不超过4.1％；对于RMSE和I，两种模型在对所述波浪高度估算方面的差异较小，因此构建的3D MCNN模型的精度略低于现有的3D CNN模型的精度。但从表2中还可以看出，在在所述波浪高度和所述波浪周期估算的计算开销方面，与现有的3D CNN模型相比，构建的3D MCNN模型极大地节省了估算时间和参数，大大降低了计算成本。

表2 3D MCNN模型与3D CNN模型的精度对比结果

本实施例还提供一种波浪参数估算装置，包括：监测终端，用于获取波浪视频数据；计算机，其设置有GPU，用于利用改进的三维卷积神经网络对所述波浪视频数据进行处理，以构建波浪参数估算模型，并获取波浪参数估算值。

具体的，在本实施例中，所述监测终端包括RGB相机和NVIDIAJetson TX2设备；所述监测终端对波浪进行实时监测，并可以采集实时的所述波浪视频数据，所述波浪视频数据的大小为1080×1920像素且每秒30帧；对于所述波浪参数实际值即所述波浪周期实际值和所述波浪高度实际值则可以采用水下压力型测波仪进行获取；所述计算机可以实现上述的所述波浪参数估算方法，完成对所述波浪参数估算模型(3D MCNN)的构建，对所述波浪周期估算值和所述波浪高度估算值的计算以及对所述波浪参数估算模型精度的评价。对于已进行精度评价的所述波浪参数估算模型(3D MCNN)，可以将其导入所述监测终端的所述NVIDIA Jetson TX2设备中；另外所述监测终端中的所述NVIDIA Jetson TX2设备还可以通过USB接口与所述RGB相机进行连接，以获取实时的所述波浪视频数据；此时所述监测终端中的所述NVIDIA Jetson TX2设备则可根据已导入的所述波浪参数估算模型(3D MCNN)以及实时的所述波浪视频数据实现对所述波浪周期和所述波浪高度的实时估算，但本发明不以此为限。

综上所述，本实施例提供的一种波浪参数估算方法及装置，利用波浪视频数据和改进的三维卷积神经网络构建波浪参数估算模型，可以实现对波浪周期和波浪高度的估算；其中改进的三维卷积神经网络采用深度可分离卷积，构造轻量级神将网络，极大地减少了构建波浪参数估算模型的计算开销和时间开销，并为通过波浪参数估算装置进行所述波浪周期和所述波浪高度的实时估算提供了条件。本实施例提供的波浪参数装置不仅可以实现对所述波浪周期和所述波浪高度的实时估算，还极大地降低了成本，具有较好的经济性。

尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。

Claims (6)

1.一种波浪参数估算方法，其特征在于，包括：

获取波浪视频数据；

利用改进的三维卷积神经网络对所述波浪视频数据进行处理，以构建波浪参数估算模型；

通过所述波浪参数估算模型获取波浪参数估算值；

所述改进的三维卷积神经网络采用深度可分离卷积，以构造轻量级神经网络；所述深度可分离卷积将标准卷积分为深度卷积和点卷积；

所述利用改进的三维卷积神经网络对所述波浪视频数据进行处理，以构建波浪参数估算模型的步骤包括：

将所述波浪视频数据作为输入数据，并分为训练集和测试集；

从所述波浪视频数据的所述训练集中提取若干张第一特征图；

深度卷积核对每一所述第一特征图进行滤波并输出第一线性组合结果；

点卷积核根据所述第一线性组合结果输出若干张第二特征图；

对所有所述第二特征图进行下采样，并输出若干张第三特征图；

根据所述第三特征图获取所述训练集的所述波浪参数估算值，并构建波浪参数估算模型；

所述利用改进的三维卷积神经网络对所述波浪视频数据进行处理，以构建波浪参数估算模型的步骤还包括：

根据所述训练集的所述波浪参数实际值，采用误差反向传播算法对所述波浪参数估算模型进行迭代更新，以使所述波浪参数估算模型的损失小于预设值ε；

所述波浪参数包括：波浪高度和波浪周期；

所述波浪参数估算模型的损失采用如下公式进行计算：

L(Θ)＝αL_P(Θ)+βL_H(Θ)

其中Θ表示所述训练集；L_P(Θ)表示所述波浪周期的损失；L_H(Θ)表示所述波浪高度的损失；α表示L_P(Θ)的权重；β表示L_H(Θ)的权重；且α∈(0,1)，β∈(0,1)，α+β＝1；

所述波浪周期的损失采用如下公式进行计算：

其中N表示所述训练集中的样本数量；P_Ei表示第i个样本的所述波浪周期估算值；P_Mi表示第i个样本的所述波浪周期实际值；

所述波浪高度的损失采用如下公式进行计算：

其中N表示所述训练集中的样本数量；H_Ei表示第i个样本的所述波浪高度估算值；H_Mi表示第i个样本的所述波浪高度实际值。

2.如权利要求1所述的波浪参数估算方法，其特征在于，执行所述利用改进的三维卷积神经网络对所述波浪视频数据进行处理，以构建波浪参数估算模型的步骤之前还包括：

获取波浪参数实际值；

对所述波浪视频数据进行预处理，以使所述波浪视频数据的分辨率满足要求。

3.如权利要求1所述的波浪参数估算方法，其特征在于，所述通过所述波浪参数估算模型获取波浪参数估算值的步骤包括：

将所述波浪视频数据的所述测试集输入所述波浪参数估算模型，以获取所述测试集的所述波浪参数估算值。

4.如权利要求3所述的一种波浪参数估算方法，其特征在于，所述通过所述波浪参数估算模型获取波浪参数估算值的步骤还包括：

通过预设评价指标对所述测试集的所述波浪参数估算值和所述波浪参数实际值进行对比分析，以对所述波浪参数估算模型进行精度评价。

5.如权利要求4所述的一种波浪参数估算方法，其特征在于，所述预设评价指标包括：相关系数平方、一致性指数、均方根误差、均方根误差归一化以及平均绝对误差。

6.一种波浪参数估算装置，其特征在于，包括：

监测终端，用于获取波浪视频数据；

计算机，其设置有GPU，用于利用改进的三维卷积神经网络对所述波浪视频数据进行处理，以构建波浪参数估算模型，并获取波浪参数估算值；

所述改进的三维卷积神经网络采用深度可分离卷积，以构造轻量级神经网络；所述深度可分离卷积将标准卷积分为深度卷积和点卷积；

所述利用改进的三维卷积神经网络对所述波浪视频数据进行处理，以构建波浪参数估算模型的步骤包括：

将所述波浪视频数据作为输入数据，并分为训练集和测试集；

从所述波浪视频数据的所述训练集中提取若干张第一特征图；

深度卷积核对每一所述第一特征图进行滤波并输出第一线性组合结果；

点卷积核根据所述第一线性组合结果输出若干张第二特征图；

对所有所述第二特征图进行下采样，并输出若干张第三特征图；

根据所述第三特征图获取所述训练集的所述波浪参数估算值，并构建波浪参数估算模型；

所述利用改进的三维卷积神经网络对所述波浪视频数据进行处理，以构建波浪参数估算模型的步骤还包括：

根据所述训练集的所述波浪参数实际值，采用误差反向传播算法对所述波浪参数估算模型进行迭代更新，以使所述波浪参数估算模型的损失小于预设值ε；

所述波浪参数包括：波浪高度和波浪周期；

所述波浪参数估算模型的损失采用如下公式进行计算：

L(Θ)＝αL_P(Θ)+βL_H(Θ)

其中Θ表示所述训练集；L_P(Θ)表示所述波浪周期的损失；L_H(Θ)表示所述波浪高度的损失；α表示L_P(Θ)的权重；β表示L_H(Θ)的权重；且α∈(0,1)，β∈(0,1)，α+β＝1；

所述波浪周期的损失采用如下公式进行计算：

其中N表示所述训练集中的样本数量；P_Ei表示第i个样本的所述波浪周期估算值；P_Mi表示第i个样本的所述波浪周期实际值；

所述波浪高度的损失采用如下公式进行计算：

其中N表示所述训练集中的样本数量；H_Ei表示第i个样本的所述波浪高度估算值；H_Mi表示第i个样本的所述波浪高度实际值。