CN112508079A - 海洋锋面的精细化识别方法、系统、设备、终端及应用 - Google Patents
海洋锋面的精细化识别方法、系统、设备、终端及应用 Download PDFInfo
- Publication number
- CN112508079A CN112508079A CN202011394339.6A CN202011394339A CN112508079A CN 112508079 A CN112508079 A CN 112508079A CN 202011394339 A CN202011394339 A CN 202011394339A CN 112508079 A CN112508079 A CN 112508079A
- Authority
- CN
- China
- Prior art keywords
- ocean
- gradient
- data
- learning model
- frontal surface
- 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
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000004364 calculation method Methods 0.000 claims abstract description 23
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000013136 deep learning model Methods 0.000 claims description 46
- 238000013473 artificial intelligence Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 14
- 239000013535 sea water Substances 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 8
- 238000011160 research Methods 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000007670 refining Methods 0.000 claims 1
- 229930002875 chlorophyll Natural products 0.000 abstract description 2
- 235000019804 chlorophyll Nutrition 0.000 abstract description 2
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 101150064138 MAP1 gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Pure & Applied Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明属于海洋结构或现象识别及提取技术领域,公开了一种海洋锋面的精细化自动识别方法、系统、设备、终端及应用,利用人工智能卷积神经网络的思想,建立深度学习模型,并取得了良好的识别效果。首先对日海温数据进行梯度计算,生成梯度图;然后将所生成的梯度图输入深度学习模型,通过特征编码和特征解码充分学习海洋锋的特征后,输出多个类别的像素级海洋锋面识别结果,最终建立高精度的海洋锋识别深度学习模型。本发明能够自动化地识别中国近海的多种类海洋锋面的像素级位置、类别、形状、走势等信息,促进海洋学者对各类锋面的时空特征和演变模式的分析,同时该方法可以扩展应用于盐度锋和叶绿素锋等其他种类的海洋锋面的精细化识别领域。
Description
技术领域
本发明属于海洋结构或现象识别及提取技术领域,尤其涉及一种海洋锋面的精细化识别方法、系统、设备、终端及应用。
背景技术
目前:海洋锋是指性质明显不同的两种或几种水体之间的狭窄过渡带,是海洋环境参数的跃变带,对于海洋渔业、水下声传播、舰船航行安全等方面具有重要的意义,同时对于海洋专家们分析海洋现象的生消演变过程具有重要的价值。而在海洋锋的研究中,识别海洋锋是其主要工作,因此海洋锋识别算法的改进十分重要。主流海洋锋识别方法基于梯度阈值法(灰度梯度阈值法),先根据海温数据使用梯度算法计算出梯度信息,然后设置一定的阈值来提取出海洋锋面;另一类是利用图像处理技术来识别海洋锋,代表性的如利用图像边缘检测的方法自动提取海洋锋面。近年来,随着人工智能的迅速发展,出现了利用人工智能来进行海洋锋识别的方法。2018年,孙鑫等人结合人工智能的有关技术,对采集的卫星遥感图像进行分块特征提取,分别在不同尺度的图像块上进行锋面的识别,实现了对海洋锋的像素块级别的位置与二分类的存在性识别。
综合来看,上述方法均存在一定的问题和局限:
(1)基于梯度阈值法的海洋锋面识别依赖于人工和经验。根据梯度法进行海洋锋面识别,需要根据专家的相关经验确定一个阈值,来判别所生成梯度图中哪些地方是锋哪些地方不是锋,而海洋锋是动态变化的,这使得每次海洋锋面区域的识别和分析都需要寻找合适的阈值,是一个耗时耗力的过程。
(2)梯度阈值法的泛化能力差。传统的梯度阈值法在某些图片上适合的阈值,可能在其他图片上并不适用,一个阈值只能识别单一尺度的海洋锋,因此也需要投入较多的人力和时间来调整阈值,无法实现自动化的识别。
(3)识别精度不稳定。目前基于梯度阈值法和边缘检测法的海洋锋面的识别方法,其识别精度没有统一标准,并且在梯度阈值法中,根据阈值的不同,锋面的识别精度也有很大的差别;图像边缘检测算法也只能提取单一尺度的锋面信息。
(4)目前存在的基于人工智能的海洋锋面识别算法,算法只能判断像素块区域中是否存在海洋锋,没有达到像素级精度;而且是只针对于海洋锋的存在性的二分类识别,不能识别不同种类的锋;在实际研究中,海洋锋的类别也很重要,不同类别的海洋锋其时空特征和物理机制存在显著的差异,因此海洋学家在进行海洋锋面特征和演变的研究过程中,往往需要针对某一类特定的锋的情况来加以分析。
解决以上问题及缺陷是有一定挑战的:
(1)梯度阈值的设置需要海洋专家的经验,而且对于中国近海海域的不同海洋锋面往往需要不同的阈值,不加区分全部采用同一个阈值,难以刻画某一特定海域的多尺度锋面特征,这使得梯度阈值的设置变得困难且难以量化和统一处理。梯度阈值法根据其阈值选定不同,识别精度会受到很大的影响。
(2)近年来,新出现的基于深度神经网络的方法虽然能降低对阈值设置的依赖,但也只能实现像素块级别的识别精度,难以实现更高精度的像素级识别。
(3)海洋锋面的类别划分是基于海洋领域专家多年的研究确定的,难以直接且统一的量化,而且海洋锋面的形态和位置会随着季节的更替呈现不同的特点,同一季节内海洋锋面的形态和位置也会有一定的变化,很难对同一类海洋锋面给出精准、量化的分类指标。
解决以上问题及缺陷的意义为:
(1)识别阶段不再依赖设置恰当的梯度阈值来进行海洋锋面的识别,而是由计算机自动化完成识别,可以减少寻找合适阈值的人力和时间消耗,也减少了对专业知识和领域经验的需求,使得海洋锋面识别方法的简便性和易用性大大提高。
(2)通过深度学习模型的学习,能自动化实现多类锋的区分和判别,提升了识别方法的泛化性。
(3)像素级的高精度识别能获得海洋锋面的形态和位置等准确信息,有利于对海洋锋面的时空特征和生消演变过程进行全面的、准确的分析和研究。
(4)在海洋领域的研究中往往会针对特定的一类海洋锋面进行研究,或比较不同类的锋之间的差异,识别不同海洋锋面的类别可以满足更多的分析需要。
发明内容
针对现有技术存在的问题,本发明提供了一种海洋锋面的精细化识别方法、系统、设备、终端及应用。
本发明是这样实现的,一种海洋锋面的精细化识别方法,所述海洋锋面的精细化识别方法包括:
对海温数据进行梯度计算,海陆交界处作特殊处理,将对应经纬坐标下的温度数据转为梯度值数据,形成海温梯度图;
结合人工智能中卷积神经网络的思想,建立深度学习模型,对海洋锋面进行像素级别的精细化端到端的自动识别和分类。
进一步,所述对海温数据进行梯度计算,海陆交界处作特殊处理,将对应经纬坐标下的温度数据转为梯度值数据,形成海温梯度图,具体包括:
(1)获取中国近海某空间范围内每天的海温数据,构成大小为m*n的网格数据,用于进行梯度值计算;
(2)每个网格处的数据点设在一定邻域内进行梯度计算(这里设在3*3邻域中进行)。遍历数据点,对当前数据点是归属海水还是陆地进行判断,若是陆地数据点则直接标记,不再进行梯度计算;若是海水数据点且其邻域的3*3网格内包含数据陆地点,则将陆地数据点替换为当前海水数据点,并利用Sobel梯度算法中垂直和水平方向的3*3卷积模板对数据进行卷积运算,分别求得水平、垂直方向的梯度值Gx和Gy,公式如下:
式中,*代表矩阵对应元素相乘,A代表海温数据;根据Gx和Gy的值,求得梯度值G,公式如下:
(3)遍历计算完所有数据点的梯度值,绘制生成为PNG格式的海温梯度图。
进一步,所述结合人工智能中卷积神经网络的思想,建立深度学习模型,对海洋锋面进行像素级别的精细化端到端的自动识别和分类,具体包括:
(1)在海洋锋的已有研究和海洋专家指导的基础上,将海洋锋按照时空特征预先划分为11类,根据海洋专家的指导对图片的每个像素进行类别标注,其标注规则为:对于每个像素点,若该像素点无海洋锋,则将其类别标注为0;若该像素点存在海洋锋,则按照海洋锋预先划定的类别以数字1到11进行标注;
(2)通过建立人工智能中的深度学习模型对输入的梯度图的特征进行学习,并利用该模型最终完成对锋面位置和类别的像素级自动识别。
进一步,所述深度学习模型分为两个部分:
特征编码部分:使深度学习模型对图片进行多尺度学习,将最终的学习结果以特征图的形式输出;具体由9个卷积层,4个池化层构成;其中卷积层的作用是学习图像的特征;池化层的作用是缩小图片的尺寸;
特征解码部分:对充分学习后的特征图进行解析和学习,并将特征图逐渐还原到原始图片大小,最终生成像素级的分类结果图;具体由8个卷积层,4个上采样层和1个softmax层组成;卷积层的作用是对特征图进行解析和学习;上采样层的作用是增大图片的尺寸,逐渐将特征图还原到原始图片的大小;softmax层的作用是生成多分类结果;深度学习模型输出海洋锋面的像素级分类结果图后,将结果图与事先标注好的锋面图片对比,深度学习模型根据对比的结果自动更新模型中各个网络层的参数。
进一步,使用的深度学习模型需要多轮训练才能最终建立。神经网络模型输出海洋锋面的像素级分类结果图后,会将该结果图与事先标注好的锋面图片进行对比,深度学习模型会根据对比的结果自动更新模型中各个网络层的参数,这就是深度学习模型的训练过程(如图7所示)。随着模型训练次数的增加,最终会获得准确度较高的模型。
进一步,最终实现对锋面位置和类别的像素级识别,是只要将海温数据按照海温梯度图生成模块1中的方法进行处理生成海温梯度图后,直接输入到训练好的深度学习模型中,就可以自动且快速获得海洋锋面的像素级精细化识别结果。本发明的另一目的在于提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如下步骤:
对海温数据进行梯度计算,海陆交界处作特殊处理,将对应经纬坐标下的温度数据转为梯度值数据,形成海温梯度图;
结合人工智能中卷积神经网络的思想,建立深度学习模型,对海洋锋面进行像素级别的精细化端到端的自动识别和分类。
本发明的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如下步骤:
对海温数据进行梯度计算,海陆交界处作特殊处理,将对应经纬坐标下的温度数据转为梯度值数据,形成海温梯度图;
结合人工智能中卷积神经网络的思想,建立深度学习模型,对海洋锋面进行像素级别的精细化端到端的自动识别和分类。
本发明的另一目的在于提供一种信息数据处理终端,所述信息数据处理终端用于实现所述的海洋锋面的精细化端到端的自动识别方法。
本发明的另一目的在于提供一种实施所述的海洋锋面的精细化识别方法的海洋锋面的精细化识别系统,所述海洋锋面的精细化识别系统包括:
海温梯度图生成模块1,用于对海温数据进行梯度计算,海陆交界处作特殊处理,将对应经纬坐标下的温度数据转为梯度值数据,形成海温梯度图;
海洋锋面精细化识别模块2,用于结合人工智能中卷积神经网络的思想,建立深度学习模型,对海洋锋面进行像素级别的精细化端到端的自动识别和分类。
本发明的另一目的在于提供一种海洋结构或现象识别及提取方法,所述海洋结构或现象识别及提取方法使用所述的海洋锋面的精细化识别方法。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明结合人工智能卷积神经网络的思想建立深度学习模型,使用本发明的模型进行海洋锋识别时,不再需要人工寻找合适的阈值,对使用者的先验知识和领域相关经验没有要求。并且,端到端的深度学习模型使得本发明十分简单易用,只要将原始的中国近海海温梯度数据输入,就可以自动得到海洋锋的识别结果图。此外,该方法可以扩展应用于盐度锋和叶绿素等更多海洋锋面的精细化识别领域。
如图8所示,本发明识别出的锋面具有很好的完整性,识别精度高。通过海陆交界数据点的处理策略,使得生成的梯度图的海陆交界线准确、明显,有利于深度学习模型对于特征的学习。此外,先对梯度图进行特征编码,生成特征图,再对特征图进行解码的这一思想,也有利于网络模型多尺度、充分、全面的对特征加以学习,从而提升海洋锋面识别这一像素级分类任务的精度。
本发明通过预先在专家指导下对海洋锋面进行一次性分类标注,随后通过带有softmax层支持多分类的深度学习模型,使得本发明可以完成对中国近海海域海洋锋类别的判断和像素级的识别,并且不同类别的海洋锋面独立性很好,对海洋专家学者分析特定海洋锋面的特征和演变过程提供了有利的帮助。本发明结合人工智能的思想,建立了一种海洋锋面的端到端精细化自动识别模型,可获得在像素级别上的海洋锋识别,并且对识别出的海洋锋进行自动分类。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的海洋锋面的精细化识别方法流程图。
图2是本发明实施例提供的海洋锋面的精细化识别系统的结构示意图;
图2中:1、海温梯度图生成模块;2、海洋锋面精细化识别模块。
图3是本发明实施例提供的海陆交界数据点处理策略图。
图4是本发明实施例提供的海温梯度图。
图5是本发明实施例提供的海洋锋面标注图。
图6是本发明实施例提供的深度学习模型图。
图7是本发明实施例提供的建立海洋锋面精细化识别模型的训练过程流程图。
图8是本发明实例提供的海洋锋识别效果图;(a)专家给出的海洋锋面标注图;(b)本发明的识别效果图。
图9是本发明实例提供的11类海洋锋识别效果的示意图;(a)专家给出的11类海洋锋面标注图;(b)本发明的11类锋的识别结果示意图。
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仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种海洋锋面的精细化自动识别方法、系统、设备、终端及应用,下面结合附图对本发明作详细的描述。
如图1所示,本发明提供的海洋锋面的精细化识别方法包括以下步骤:
S101:对海温数据进行梯度计算,海陆交界处作特殊处理,将对应经纬坐标下的温度数据转为梯度值数据,形成海温梯度图;
S102:结合人工智能中卷积神经网络的思想,建立深度学习模型,对海洋锋面进行像素级别的精细化端到端的自动识别和分类。
本发明提供的海洋锋面的精细化识别方法业内的普通技术人员还可以采用其他的步骤实施,图1中的本发明提供的海洋锋面的精细化识别方法仅仅是一个具体实施示例而已。
如图2所示,本发明提供的海洋锋面的精细化识别系统包括:
海温梯度图生成模块1,用于对海温数据进行梯度计算,海陆交界处作特殊处理,将对应经纬坐标下的温度数据转为梯度值数据,形成海温梯度图。
海洋锋面精细化识别模块2,用于结合人工智能中卷积神经网络的思想,建立深度学习模型,对海洋锋面进行像素级别的精细化端到端的自动识别和分类。
下面结合附图对本发明的技术方案作进一步的描述。
本发明利用人工智能中卷积神经网络的思想建立深度学习模型,实现海洋锋面像素级的精细化识别,并取得了优秀的识别效果。本发明能够自动化的识别海洋锋面的类别,方便海洋学者对特定锋面的特征和演变模式进行分析。传统的基于梯度法的边缘检测算法,其核心是通过检测图片中像素值的剧烈变化来判断锋面,然而像素值变化只能确定锋面是否存在,无法识别锋面类别。通过带有softmax层的深度学习模型设计和对锋面进行分类标注的方式训练深度学习模型,使得本发明可以实现海洋锋面的多类别识别任务。
本发明提供的海洋锋面的精细化识别方法包括以下步骤:
(1)海温梯度图的生成模块1:对海温数据进行梯度计算,海陆交界处作特殊处理,将对应经纬坐标下的温度数据转为梯度值数据,形成海温梯度图。
首先,获取中国近海一定空间范围内每天的海温数据,构成大小为m*n的网格数据,然后每个网格处的数据点设在一定邻域内进行梯度计算(这里设在3*3邻域中进行)。这里遍历数据点,对当前数据点是归属海水还是陆地进行判断,若是陆地数据点则直接标记,不再进行梯度计算;若是海水数据点且其邻域的3*3网格内包含数据陆地点,则将陆地数据点替换为当前海水数据点,并利用Sobel梯度算法中垂直和水平方向的3*3卷积模板对数据进行卷积运算,分别求得水平、垂直方向的梯度值Gx和Gy,公式如下:
式中,*代表矩阵对应元素相乘,A代表海温数据。
与传统梯度计算的方式相比,带有Sobel算子的梯度算法更加充分和全面地考虑了邻域内不同位置像素点对梯度计算的影响及影响程度的差异,因此可以抑制噪声对锋面提取的影响。本发明所使用的数据和图像属于栅格化数据,而已有研究表明Sobel梯度算子的确能够有效地增强栅格化图像的边缘可视性。
根据Gx和Gy的值,求得梯度值G,公式如下:
最后,遍历计算完所有数据点的梯度值,绘制生成为PNG格式的海温梯度图(如图4)。
(2)海洋锋面精细化识别模块2,结合人工智能中卷积神经网络的思想,建立深度学习模型,对海洋锋面进行像素级别的精细化端到端的自动识别和分类。
首先,基于海洋锋的已有研究和海洋专家指导的基础上,将海洋锋按照时空特征预先划分为11类,分别为:浙闽沿岸锋、东海中部陆架锋、黑潮锋、东海北部陆架锋、江浙沿岸锋、山东半岛锋、渤海沿岸锋、渤海海峡锋、江华信锋、朝鲜半岛西部锋、朝鲜海峡锋。根据海洋专家的指导对图片的每个像素进行类别标注,其标注规则为:
对于每个像素点,若该像素点无海洋锋,则将其类别标注为0;若该像素点存在海洋锋,则按照海洋锋预先划定的类别以数字1到11进行标注。(标注效果如图5,其中每一类锋的具体命名参加图9(a)给出的示意图)。
然后,通过建立人工智能中的深度学习模型对输入的温度梯度图的特征进行学习,并利用多轮训练建立好的模型,最终完成对锋面位置和类别的像素级识别。
本发明中使用的深度学习模型分为两个部分:特征编码部分和特征解码部分(具体模型如图6)。
特征编码部分:主要任务是使深度学习模型对图片进行多尺度,充分的学习,并将最终的学习结果以特征图的形式输出。具体由9个卷积层,4个池化层构成。其中卷积层的主要作用是学习图像的特征;池化层的作用是缩小图片的尺寸以减少计算量,并且方便在不同尺度上对特征进行学习。
特征解码部分:本部分的主要任务是对充分学习后的特征图进行解析和学习,将其逐渐还原到原始图片大小,最终生成像素级的分类结果图。具体由8个卷积层,4个上采样层和1个softmax层组成。此处卷积层的作用主要是对特征图进行解析和进一步学习;上采样层的作用是增大图片的尺寸,目的是为了将特征图还原到原始图片的大小;softmax层的作用是生成多分类结果。同时,本部分使用了连接操作,将特征编码部分池化层前的特征图复制并附加到解码部分上采样层后的特征图上,目的是减少特征编码部分中池化层所造成的图像信息的丢失。深度学习模型输出海洋锋面的像素级分类结果图后,会将该结果图与事先标注好的锋面图片进行对比,深度学习模型会根据对比的结果自动更新模型中各个网络层的参数,这就是深度学习模型的训练过程(如图7所示)。随着模型训练次数的增加,最终会训练出准确度较高的模型。
本发明中使用的深度学习模型需要多轮训练才能最终建立。神经网络模型输出海洋锋面的像素级分类结果图后,会将该结果图与事先标注好的锋面图片进行对比,深度学习模型会根据对比的结果自动更新模型中各个网络层的参数,这就是深度学习模型的训练过程(如图7所示)。随着模型训练次数的增加,最终会获得准确度较高的模型。
本发明中最终实现对锋面位置和类别的像素级识别,是只要将海温数据按照海温梯度图生成模块1的方法处理生成海温梯度图后,直接输入到训练好的深度学习模型中,就可以自动且快速获得海洋锋面的像素级精细化识别结果。
现有的基于人工智能的海洋锋面识别方法只能实现对海洋锋面的存在性进行较粗略的识别,孙鑫等人于18年提出的基于人工智能的方法是在像素块级别上进行海洋锋存在性的识别,可达95%的精度。我们的方法所使用的训练集中有1096张图片,通过随机像素增强,随机裁剪和随机旋转等方式对训练集进行处理,最终训练样本数量为8768张。经过80轮训练之后,在海洋锋面的像素级别的存在性上识别,达到了98.1%的准确率,并且在像素级别多分类情况下识别达到了97.8%的准确率(图8给出了识别的对比图)。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,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,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种海洋锋面的精细化识别方法,其特征在于,所述海洋锋面的精细化识别方法包括:
对海温数据进行梯度计算,海陆交界处作特殊处理,将对应经纬坐标下的温度数据转为梯度值数据,形成海温梯度图;
结合人工智能中卷积神经网络的思想,建立深度学习模型,对海洋锋面进行像素级别的精细化端到端的自动识别和分类。
2.如权利要求1所述的海洋锋面的精细化识别方法,其特征在于,所述对海温数据进行梯度计算,海陆交界处作特殊处理,将对应经纬坐标下的温度数据转为梯度值数据,形成海温梯度图,具体包括:
(1)获取中国近海一定空间范围内每天的海温数据,构成大小为m*n的网格数据,用于进行梯度值计算;
(2)每个网格处的数据点设在一定邻域内进行梯度计算,遍历数据点,对当前数据点是归属海水还是陆地进行判断,若是陆地数据点则直接标记,不再进行梯度计算;若是海水数据点且其邻域的3*3网格内包含数据陆地点,则将陆地数据点替换为当前海水数据点,并利用Sobel梯度算法中垂直和水平方向的3*3卷积模板对数据进行卷积运算求得水平、垂直方向的梯度值;
(3)遍历计算完所有数据点的梯度值,绘制生成为PNG格式的海温梯度图。
4.如权利要求1所述的海洋锋面的精细化识别方法,其特征在于,所述结合人工智能中卷积神经网络的思想,建立深度学习模型,对海洋锋面进行像素级别的精细化端到端的自动识别和分类具体包括:
(1)在海洋锋的已有研究和海洋专家指导的基础上,将海洋锋按照时空特征预先划分为11类,根据海洋专家的指导对图片的每个像素进行类别标注,其标注规则为:对于每个像素点,若该像素点无海洋锋,则将其类别标注为0;若该像素点存在海洋锋,则按照海洋锋预先划定的类别以数字1到11进行标注;
(2)通过建立人工智能中的深度学习模型对输入的海温梯度图的特征进行学习,并最终完成对锋面位置和类别的像素级端到端的自动识别。
5.如权利要求4所述的海洋锋面的精细化识别方法,其特征在于,所述深度学习模型分为两个部分:
特征编码部分:使深度学习模型对图片多尺度学习,将最终的学习结果以特征图的形式输出;具体由9个卷积层,4个池化层构成;其中卷积层的作用是学习图像的特征;池化层的作用是缩小图片的尺寸;
特征解码部分:对充分学习后的特征图进行解析和学习,逐渐还原到原始图片大小,最终生成像素级的分类结果图;具体由8个卷积层,4个上采样层和1个softmax层组成;卷积层的作用是对特征图进行解析和学习;上采样层的作用是增大图片的尺寸,将特征图还原到原始图片的大小;softmax层的作用是生成多分类结果;深度学习模型输出海洋锋面的像素级分类结果图后,将结果图与事先标注好的锋面图片对比,深度学习模型根据对比的结果自动更新模型中各个网络层的参数。
6.如权利要求4所述的海洋锋面的精细化识别方法,其特征在于,所述建立深度学习模型是需要进行多轮训练才能最终获得;神经网络模型输出海洋锋面的像素级分类结果图后,会将该结果图与事先标注好的锋面图片进行对比,深度学习模型会根据对比的结果自动更新模型中各个网络层的参数,这就是深度学习模型的训练过程;随着模型训练次数的增加,最终会获得准确度较高的模型。
7.如权利要求4所述的海洋锋面的精细化识别方法,其特征在于,所述最终实现对锋面位置和类别的像素级识别,是只要将海温数据按照权利要求2所述的方式进行处理后,直接输入到训练好的深度学习模型中,就可以自动且快速获得海洋锋面的像素级精细化识别结果。
8.一种信息数据处理终端,其特征在于,所述信息数据处理终端用于实现权利要求1~7任意一项所述的海洋锋面的精细化识别方法。
9.一种实施权利要求1~7任意一项所述的海洋锋面的精细化识别方法的海洋锋面的精细化识别系统,其特征在于,所述海洋锋面的精细化识别系统包括:
海温梯度图生成模块1,用于对海温数据进行梯度计算,海陆交界处作特殊处理,将对应经纬坐标下的温度数据转为梯度值数据,形成海温梯度图;
海洋锋面精细化识别模块2,用于结合人工智能中卷积神经网络的思想,建立深度学习模型,对海洋锋面进行像素级别的精细化端到端的自动识别和分类。
10.一种海洋结构或现象识别及提取方法,其特征在于,所述海洋结构或现象识别及提取方法使用权利要求1~7任意一项所述的海洋锋面的精细化识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011394339.6A CN112508079B (zh) | 2020-12-02 | 2020-12-02 | 海洋锋面的精细化识别方法、系统、设备、终端及应用 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011394339.6A CN112508079B (zh) | 2020-12-02 | 2020-12-02 | 海洋锋面的精细化识别方法、系统、设备、终端及应用 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112508079A true CN112508079A (zh) | 2021-03-16 |
CN112508079B CN112508079B (zh) | 2023-11-10 |
Family
ID=74969381
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011394339.6A Active CN112508079B (zh) | 2020-12-02 | 2020-12-02 | 海洋锋面的精细化识别方法、系统、设备、终端及应用 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112508079B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113111785A (zh) * | 2021-04-14 | 2021-07-13 | 国家海洋环境预报中心 | 海洋温度锋的特征参数提取方法和装置 |
CN113742653A (zh) * | 2021-07-16 | 2021-12-03 | 中国人民解放军国防科技大学 | 一种基于卫星资料的海洋锋识别方法 |
CN113984103A (zh) * | 2021-10-29 | 2022-01-28 | 自然资源部第二海洋研究所 | 一种海洋观测自动测试系统及测试方法 |
CN116306381A (zh) * | 2023-05-17 | 2023-06-23 | 中国海洋大学 | 一种基于锋面预测的河口塑料污染清理方法 |
CN116824276A (zh) * | 2023-08-29 | 2023-09-29 | 广东海洋大学 | 基于卷积神经网络的海洋涡旋边缘叶绿素环的识别方法 |
CN117851845A (zh) * | 2024-03-07 | 2024-04-09 | 中国海洋大学 | 一种基于聚类算法的海洋亚中尺度锋面提取方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107274420A (zh) * | 2017-06-15 | 2017-10-20 | 中国水产科学研究院东海水产研究所 | 基于图像分割的海洋锋面提取方法 |
CN109086818A (zh) * | 2018-07-25 | 2018-12-25 | 中国海洋大学 | 海洋锋面识别方法和装置 |
CN111626355A (zh) * | 2020-05-27 | 2020-09-04 | 中油奥博(成都)科技有限公司 | 一种基于Unet++卷积神经网络的地震数据初至拾取方法 |
-
2020
- 2020-12-02 CN CN202011394339.6A patent/CN112508079B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107274420A (zh) * | 2017-06-15 | 2017-10-20 | 中国水产科学研究院东海水产研究所 | 基于图像分割的海洋锋面提取方法 |
CN109086818A (zh) * | 2018-07-25 | 2018-12-25 | 中国海洋大学 | 海洋锋面识别方法和装置 |
CN111626355A (zh) * | 2020-05-27 | 2020-09-04 | 中油奥博(成都)科技有限公司 | 一种基于Unet++卷积神经网络的地震数据初至拾取方法 |
Non-Patent Citations (2)
Title |
---|
曹维东 等: ""融合深度学习的自动化海洋锋精细识别"", 《计算机工程》 * |
韩旭: ""基于领域自适应的开放集图像分类与语义分割"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113111785A (zh) * | 2021-04-14 | 2021-07-13 | 国家海洋环境预报中心 | 海洋温度锋的特征参数提取方法和装置 |
CN113742653A (zh) * | 2021-07-16 | 2021-12-03 | 中国人民解放军国防科技大学 | 一种基于卫星资料的海洋锋识别方法 |
CN113742653B (zh) * | 2021-07-16 | 2022-09-09 | 中国人民解放军国防科技大学 | 一种基于卫星资料的海洋锋识别方法 |
CN113984103A (zh) * | 2021-10-29 | 2022-01-28 | 自然资源部第二海洋研究所 | 一种海洋观测自动测试系统及测试方法 |
CN116306381A (zh) * | 2023-05-17 | 2023-06-23 | 中国海洋大学 | 一种基于锋面预测的河口塑料污染清理方法 |
CN116306381B (zh) * | 2023-05-17 | 2023-08-18 | 中国海洋大学 | 一种基于锋面预测的河口塑料污染清理方法 |
CN116824276A (zh) * | 2023-08-29 | 2023-09-29 | 广东海洋大学 | 基于卷积神经网络的海洋涡旋边缘叶绿素环的识别方法 |
CN116824276B (zh) * | 2023-08-29 | 2023-12-12 | 广东海洋大学 | 基于卷积神经网络的海洋涡旋边缘叶绿素环的识别方法 |
CN117851845A (zh) * | 2024-03-07 | 2024-04-09 | 中国海洋大学 | 一种基于聚类算法的海洋亚中尺度锋面提取方法 |
CN117851845B (zh) * | 2024-03-07 | 2024-05-17 | 中国海洋大学 | 一种基于聚类算法的海洋亚中尺度锋面提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112508079B (zh) | 2023-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112508079A (zh) | 海洋锋面的精细化识别方法、系统、设备、终端及应用 | |
CN111598174B (zh) | 基于半监督对抗学习的模型训练方法及图像变化分析方法 | |
CN110059758B (zh) | 一种基于语义分割的遥感影像养殖塘检测方法 | |
CN109934200B (zh) | 一种基于改进M-Net的RGB彩色遥感图像云检测方法及系统 | |
CN110796009A (zh) | 基于多尺度卷积神经网络模型的海上船只检测方法及系统 | |
WO2023039959A1 (zh) | 一种基于金字塔机制的遥感影像海洋与非海区域分割方法 | |
CN110751075A (zh) | 一种基于实例分割的遥感影像养殖塘检测方法 | |
CN116994140A (zh) | 基于遥感影像的耕地提取方法、装置、设备和介质 | |
CN113487600B (zh) | 一种特征增强尺度自适应感知船舶检测方法 | |
CN112183452B (zh) | 一种基于气象卫星图像和深度迁移学习的海雾识别方法 | |
Zhao et al. | CRAS-YOLO: A novel multi-category vessel detection and classification model based on YOLOv5s algorithm | |
CN113628180B (zh) | 一种基于语义分割网络的遥感建筑物检测方法及系统 | |
CN114943888B (zh) | 基于多尺度信息融合的海面小目标检测方法 | |
CN112037225A (zh) | 一种基于卷积神经的海洋船舶图像分割方法 | |
CN112800932B (zh) | 海上背景下显著船舶目标的检测方法及电子设备 | |
CN112801109A (zh) | 一种基于多尺度特征融合的遥感图像分割方法及系统 | |
CN112257810A (zh) | 一种基于改进FasterR-CNN的海底生物目标检测方法 | |
CN115082778B (zh) | 一种基于多分支学习的宅基地识别方法及系统 | |
CN115205624A (zh) | 一种跨维度注意力聚合的云雪辩识方法、设备及存储介质 | |
CN114219989A (zh) | 一种基于干扰抑制和动态轮廓的雾天场景船舶实例分割方法 | |
CN113591740A (zh) | 基于深度学习的复杂河流环境下泥沙颗粒识别方法及装置 | |
CN117649635B (zh) | 狭窄水道场景影消点检测方法、系统及存储介质 | |
CN116343070B (zh) | 一种航测影像地物要素的智能解译方法 | |
CN116052019B (zh) | 适合于大区域高分辨率卫星影像的建成区高质量检测方法 | |
CN117475262B (zh) | 图像生成方法、装置、存储介质及电子设备 |
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 |