CN113221777A - 一种近岸海浪等级监测方法及装置 - Google Patents

一种近岸海浪等级监测方法及装置 Download PDF

Info

Publication number
CN113221777A
CN113221777A CN202110546492.4A CN202110546492A CN113221777A CN 113221777 A CN113221777 A CN 113221777A CN 202110546492 A CN202110546492 A CN 202110546492A CN 113221777 A CN113221777 A CN 113221777A
Authority
CN
China
Prior art keywords
real
time
wave
grade
shore
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.)
Pending
Application number
CN202110546492.4A
Other languages
English (en)
Inventor
王凤石
于树怀
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.)
Jiangsu Aoyikesi Automotive Electronic Technology Co ltd
Original Assignee
Jiangsu Aoyikesi Automotive Electronic Technology Co ltd
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 Jiangsu Aoyikesi Automotive Electronic Technology Co ltd filed Critical Jiangsu Aoyikesi Automotive Electronic Technology Co ltd
Priority to CN202110546492.4A priority Critical patent/CN113221777A/zh
Publication of CN113221777A publication Critical patent/CN113221777A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
    • G06V20/38—Outdoor scenes
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Development Economics (AREA)
  • Molecular Biology (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种近岸海浪等级监测方法及装置，属于海浪等级监测领域；首先获取近岸海浪的实时视频，然后根据实时视频和预先构建的海浪等级模型得到实时视频中近岸海浪的实时等级。采用预先构建的海浪等级模型识别视频中海浪的实时等级，只需要获取实时视频就可以监测，监测简单，成本低，而且实时性好；同时由于构建的海浪等级模型是基于海浪高时空关联特性构建的，因此在识别海浪等级时，准确度更高。

Description

一种近岸海浪等级监测方法及装置
技术领域
本发明涉及海浪等级监测技术，特别地，涉及一种近岸海浪等级监测方法及装置。
背景技术
海洋是人类的摇篮，是人类赖以生存和发展的重要环境。海洋面积约为地球面积的三分之二，蕴含着丰富的资源。我国是一个海洋大国，有着漫长的海岸线，而且海岸沿线基本都属于我国的经济发达城市，同时海洋在社会、军事等方面扮演着越来越重要的角色，海洋将成为未来发展的新方向、新世界。但是海洋环境异常复杂，海洋资源开发利用、海洋防灾减灾、海洋科学研究，都需要对潮汐、海浪等基本情况条件及其内部规律的准确把握。更重要的是，海洋灾害每年都给人类带来诸多灾难及损失，根据国家海洋局公布数据，仅2016年，我国近海共出现36次有效波高4米以上的海浪灾害，其中包括台风浪13次，冷空气浪和气旋浪23次，共造成经济损失约3700万元，导致的人员伤亡(含失踪60人)，故准确实时获取海浪的数字化信息，研究海浪并进行海浪等级监测预报具有重大意义。
海浪监测是涵养环境监测的主要内容之一，在海浪分级或者海浪监测方面，海浪监测手段具体可分为：人工观测法、仪器测量法和遥感反演法。
人工观测法受光照和恶劣天气影响，无法做到连续监测，测量结果具有主观性；仪器测量法需要在海洋环境下(比如水上和水下)安装测量仪器，应用便捷性不高；烟感反演法(主要包括雷达、摄影照相测波法等)的缺点是检测成本较高，有事是测量精度较高，针对海浪监测，楚晓亮等人利用X波段雷达测得有效波高的相对误差为 14.67％，峰值频率的误差为5.97％；王伟等人提出的基于MIMO雷达方法反演出的有效波高、主波波向与上跨零周期都具有更高的精度。摄影照相测波法在海洋环境下由于缺少控制点，图像匹配困难，同时需要进行复杂的标定工作。
因此海浪等级传统方法具有监测困难、成本较高、测量精度低、不具备实时性的特点。
发明内容
为了克服现有技术的不足，本发明提供一种近岸海浪等级监测方法及装置，以解决海浪等级传统方法监测困难、成本较高、测量精度低、不具备实时性的问题。
本发明解决其技术问题所采用的技术方案是：
一方面，
一种近岸海浪等级监测方法，包括以下步骤：
获取所述近岸海浪的实时视频；
根据所述实时视频和预先基于海浪高时空关联特性构建的近岸海浪等级模型得到所述实时视频中近岸海浪的实时等级。
进一步地，所述根据所述实时视频和预先基于海浪高时空关联特性构建的近岸海浪等级模型得到所述实时视频中近岸海浪的实时等级包括：
判断所述实时视频格式是否是预设格式；
如否，则转换所述实时视频格式为预设格式；
若是或转换为预设格式后，将所述实时视频分为连续的单帧图像；
将所述连续的单帧图像输入到所述基于海浪高时空管理特性构建的近岸海浪等级模型得到所述实时视频中近岸海浪的实时等级。
进一步地，将所述连续的单帧图像输入到基于海浪高时空关联特性构建的近岸海浪等级模型得到所述实时视频中近岸海浪的实时等级包括：
所述近岸海浪等级模型间隔预设帧数识别一次所述连续的单帧图像并输出识别得到的实时视频中近岸海浪的实时等级。
进一步地，基于海浪高时空关联特性构建近岸海浪等级模型包括以下步骤：
获取近岸海浪视频；
将所述近岸海浪视频处理为连续的单帧图像；
对所有单帧图像进行预处理；
将预处理后的单帧图像按照国家标准海况等级进行海浪等级标注；
对标注后的所有单帧图像采用进行训练得到卷积神经网络模型即近岸海浪等级模型。
进一步地，对所有单帧图像进行预处理包括：
将所有单帧图像按照海浪的周期性截取出分辨率为300*300的单帧图像样本。
进一步地，还包括：
对所述单帧图像样本进行去均值处理。
进一步地，还包括：
将所述去均值后的单帧图像样本缩小至100*100的分辨率得到预处理后的单帧图像。
进一步地，将所述近岸海浪视频处理为连续的单帧图像后还包括：
对所述单帧图像每隔预设角度旋转一次，得到多个单帧图像。
另一方面，
一种近岸海浪等级监测装置，包括：
实时视频获取模块，用于获取所述近岸海浪的实时视频；
实时等级获取模块，用于根据所述实时视频和预先基于海浪高时空关联特性构建的近岸海浪等级模型得到所述实时视频中近岸海浪的实时等级。
本申请采用以上技术方案，至少具备以下有益效果：
本申请技术方案公开了一种近岸海浪等级监测方法及装置，首先获取近岸海浪的实时视频，然后根据实时视频和预先构建的海浪等级模型得到实时视频中近岸海浪的实时等级。采用预先构建的海浪等级模型识别视频中海浪的实时等级，只需要获取实时视频就可以监测，监测简单，成本低，而且实时性好；同时由于构建的海浪等级模型是基于海浪高时空关联特性构建的，因此在识别海浪等级时，准确度更高。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中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一种近岸海浪等级监测方法流程图；
图2是本发明实施例提供的Wave-CNNs全模型结构示意图；
图3是本发明实施例提供的一种近岸海浪等级监测装置结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面结合附图和实施例对本发明的技术方案进行详细的描述说明。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式，都属于本申请所保护的范围。
参照图1，本发明实施例提供一种近岸海浪等级监测方法，包括以下步骤：
获取近岸海浪的实时视频；
根据实时视频和预先基于海浪高时空关联特性构建的近岸海浪等级模型得到实时视频中近岸海浪的实时等级。
本发明实施例提供的一种近岸海浪等级监测方法，首先获取近岸海浪的实时视频，然后根据实时视频和预先构建的海浪等级模型得到实时视频中近岸海浪的实时等级。采用预先构建的海浪等级模型识别视频中海浪的实时等级，只需要获取实时视频就可以监测，监测简单，成本低，而且实时性好；同时由于构建的海浪等级模型是基于海浪高时空关联特性构建的，因此在识别海浪等级时，准确度更高。
其中，近岸海浪的实时视频可以通过卫星获取实时画面。
需要说明的是，根据实时视频和预先基于海浪高时空关联特性构建的近岸海浪等级模型得到实时视频中近岸海浪的实时等级包括：判断实时视频格式是否是预设格式；如否，则转换实时视频格式为预设格式；若是或转换为预设格式后，将实时视频分为连续的单帧图像；可以理解的是，为了节约成本，一般预训练的模型都只能识别一种或某几种格式的视频，如果获取的实时视频并不在可识别的预设格式中，先转换为预设格式，然后在将实时视频分为连续的单帧图像。将连续的单帧图像输入到基于海浪高时空管理特性构建的近岸海浪等级模型得到实时视频中近岸海浪的实时等级。将连续的单帧图像输入到基于海浪高时空关联特性构建的近岸海浪等级模型得到实时视频中近岸海浪的实时等级包括：近岸海浪等级模型间隔预设帧数识别一次连续的单帧图像并输出识别得到的实时视频中近岸海浪的实时等级。需要说明的是，高时空管理特性是指海浪视频在相邻帧的变化基本相同，不会产生突变。因此如果近岸海浪等级模型按照连续帧进行识别，极有可能输出的实际等级会上下浮动，例如，如果是实际海浪等级为一级，但是可以由于风或各种原因，在下一帧稍微超出一级一点，达到二级；而在第三帧又恢复到一级；这样输出的实际海浪等级波动较大；因此模型间隔预设帧数识别一次连续的单帧图像；如实时视频切分为单帧图像后一共为24帧图像，预设帧数为5时；识别模型只识别第1帧、第6帧、第11帧、第16帧和第21帧。然后根据这些帧输出近岸海浪的实时等级。具体地，如果识别的五帧图像的实时等级为一级，则将该实时等级为一级；若既有一级又有二级，依次输出识别的等级作为实时等级，即实时等级可以为多个。
下面提供一种构建近岸海浪等级模型的具体例子，包括以下步骤：
将近岸海浪等级视频监测数据作为基础，在其中人工挑选出海浪特征较为明显的视频，然后进行预处理。为了适用于MATLAB读取处理，将系统采集到的近岸海浪等级监测视频进行格式转换。格式转换后，用MATLAB进行处理，得到适合模型学习的近岸海浪等级数据。
具体处理步骤如下：
将海浪等级视频分帧处理成海浪等级图像；
经过第一步得到的海浪图像分辨率大小为1920*1080，利用 MATLAB把原始的1920*1080图像按照海浪的周期性截取出分辨率为300*300的海浪图像样本，这样处理大幅度减少了由于海浪周期性带来的信息冗余；
在不影响海浪等级特征识别的的条件下，为了进一步减少海浪信息冗余，用MATLAB对所得到的图像进行去均值处理；
为了加快模型训练速度，减少非相关特征的影响，在不影响海浪等级识别的前提下，再用MATLAB把图像缩小至100*100的分辨率，到此为止形成一个海浪等级样本；
重复以上步骤，构建了拥有3000样本训练集和3000样本对应标签数据、3000样本测试集和3000样本对应的标签数据的适用于深度学习样本集。
根据国际标准海况等级，划分为3个海浪等级，即一级、二级和三级。
提出的基于深度学习的近岸海浪等级模型为Wave-CNNs，采用如图2所示全模型，其中包括3层卷积层(C1-C3)，在C1、C2、C3之后为S1、S2、S3采样层。最后一层是一个列向量，原色的数目为类别的数目，由于本算法需要将海浪等级分为3类，因此最后一层输出 3个单元，依次为所分的类别。输出层使用卷积神经网络经典的全连接层，为解释这些向量的概率，引入Softmax层，具体模型结构如图 2所示。
过拟合是深度学习中经常出现的问题，过拟合会过度你和样本中的无用信息，造成模型连误差都去学习，降低了模型的泛化能力，一般出现过拟合的原因有主要两点：一是样本数据量不足，二是学习率等参数设置不合理。为了解决样本数低可能造成过拟合的问题，我们选取海浪等级特征明显的视频图像，采用数据扩增技术对样本数量进行扩大，对原始样本进行旋转变换，我们设置为每隔10°旋转一次，范围从0°到360°，最后扩大了55倍，达到了3000个，在此数据集上训练，结果如图3所示，过拟合问题得到了改善并且提高了训练精度。
海浪等级视频与普通视频一样，都具有视频的通用特性，故二者都具有视频相关特性，但是海浪等级视频的相关性更强，属于高时空关联的一种。具体来说，视频相关性是指视频中相邻两帧视频图像可能代表同一种内容，或者说所代表的两帧内容相似度比较大。将这种相关性应用于物体或者目标识别与分类，可以使得识别效果得到改善。我们在充分考虑近岸海浪等级视频这种高时空关联相关性的基础上，对全模型进行优化，以提高训练精度及识别精度。通过提出基于高时空关联视频相关性的弹性因子来优化灵敏度、调整学习率来更新 Wave-CNNs模型总体参数，使得模型的性能更优。
为了说明本方案得到的模型性能更优，提供以下对比试验，所有对比实验均基于Windows操作系统，CPU intel core i5-4210M 2.60GHz，内存8G，软件采用MATLAB 2010b版本。训练数据适应已经构建的海浪等级数据集。实验分为两组，第一组实验Wave-CNNs网络分别采用6层、7层、8层和9层结构进行训练(表1)。第二组实验采用同第一组实验相同的数据集，Wave-CNNs与传统分类方法SVM (支持向量机)、Bayes(贝叶斯网络)进行对比实验。
试验结果如表1和表2所示：
Figure RE-GDA0003124022130000091
Figure RE-GDA0003124022130000101
表1 Wave-CNNs网络深度不同时对识别准确度的影响
Figure RE-GDA0003124022130000102
表2 Wave-CNNs、SVM、Bayes结果对比
从表1中可以看出，在现有样本基础上，采用8层网络深度时 Wave-CNNs训练和测试总时间为598s，实际海浪等级识别时间为55s，基本上达到实时处理的要求。在网络深度为8层是结果较优，当层数继续增大，训练精度不再提高。
表2表明，针对现有海洋数据集，SVM在分类精度上可达60％，比Bayes分类精度54.5％要高，而Wave-CNNs达到了66.6％。因此具有深度学习架构的Wave-CNNs对于实际海浪图像的深层特征更能较精确地表达，测量精度相对较高。
本发明实施例提供的监测方法，利用深度学习的优势，把深度学习应用到海洋环境监测领域，利用视频大数据构建了适合深度学习的海浪视频数据集，同时针对海浪图像纹理特征丰富、周期变化特性，经过参数修正，提出了基于深度学习的近岸海浪等级监测算法，研究内容可应用于海浪视频监控系统，实现海浪实时监测业务化，为海洋管理部门安全高效地运营奠定基础。上述方法首先研究了近岸海浪的等级形成与发展，深入分析了海浪等级划分的国际标准，得到了上述所研究的浪级；其次利用近岸海浪等级视频这种高时空关联数据经过数据扩增技术，构建了面向深度学习的近岸海浪等级数据集；最后，根据经典的CNN网络结构和已构建的近岸海浪等级数据集设计了 Wave-CNNs模型，解决了传统方法中监测困难、测量精度低、不具备实时性的问题。
一个实施例中，本发明还提供一种近岸海浪等级监测装置，如图 3所示，包括：
实时视频获取模块31，用于获取近岸海浪的实时视频；
实时等级获取模块32，用于根据实时视频和预先基于海浪高时空关联特性构建的近岸海浪等级模型得到实时视频中近岸海浪的实时等级。具体地，实时等级获取模块32判断实时视频格式是否是预设格式；如否，则转换实时视频格式为预设格式；若是或转换为预设格式后，将实时视频分为连续的单帧图像；将连续的单帧图像输入到基于海浪高时空管理特性构建的近岸海浪等级模型得到实时视频中近岸海浪的实时等级。进一步地，近岸海浪等级模型间隔预设帧数识别一次连续的单帧图像并输出识别得到的实时视频中近岸海浪的实时等级。
作为本发明实施例一种可选的实现方式，基于海浪高时空关联特性构建近岸海浪等级模型包括以下步骤：
获取近岸海浪视频；
将近岸海浪视频处理为连续的单帧图像；
对所有单帧图像进行预处理；具体地，将所有单帧图像按照海浪的周期性截取出分辨率为300*300的单帧图像样本。对单帧图像样本进行去均值处理。将去均值后的单帧图像样本缩小至100*100的分辨率得到预处理后的单帧图像。
将预处理后的单帧图像按照国家标准海况等级进行海浪等级标注；
对标注后的所有单帧图像采用进行训练得到卷积神经网络模型即近岸海浪等级模型。
优选地，将近岸海浪视频处理为连续的单帧图像后还包括：
对单帧图像每隔预设角度旋转一次，得到多个单帧图像。采用数据扩增技术对样本数量进行扩大，对原始样本进行旋转变换，A示例性的，设置每隔10°旋转一次，范围从0°到360°，可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
本发明实施例提供的监测装置，实时视频获取模块获取近岸海浪的实时视频；实时等级获取模块根据实时视频和预先基于海浪高时空关联特性构建的近岸海浪等级模型得到实时视频中近岸海浪的实时等级。该监测装置利用近岸海浪等级视频这种高时空关联数据经过数据扩增技术，构建了面向深度学习的近岸海浪等级数据集；最后，根据经典的CNN网络结构和已构建的近岸海浪等级数据集设计了 Wave-CNNs模型，解决了传统方法中监测困难、测量精度低、不具备实时性问题。
需要说明的是，在本申请的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本申请的描述中，除非另有说明，“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (9)

1.一种近岸海浪等级监测方法，其特征在于，包括以下步骤：
获取所述近岸海浪的实时视频；
根据所述实时视频和预先基于海浪高时空关联特性构建的近岸海浪等级模型得到所述实时视频中近岸海浪的实时等级。
2.根据权利要求1所述的方法，其特征在于：所述根据所述实时视频和预先基于海浪高时空关联特性构建的近岸海浪等级模型得到所述实时视频中近岸海浪的实时等级包括：
判断所述实时视频格式是否是预设格式；
如否，则转换所述实时视频格式为预设格式；
若是或转换为预设格式后，将所述实时视频分为连续的单帧图像；
将所述连续的单帧图像输入到所述基于海浪高时空管理特性构建的近岸海浪等级模型得到所述实时视频中近岸海浪的实时等级。
3.根据权利要求2所述的方法，其特征在于：将所述连续的单帧图像输入到基于海浪高时空关联特性构建的近岸海浪等级模型得到所述实时视频中近岸海浪的实时等级包括：
所述近岸海浪等级模型间隔预设帧数识别一次所述连续的单帧图像并输出识别得到的实时视频中近岸海浪的实时等级。
4.根据权利要求1所述的方法，其特征在于：基于海浪高时空关联特性构建近岸海浪等级模型包括以下步骤：
获取近岸海浪视频；
将所述近岸海浪视频处理为连续的单帧图像；
对所有单帧图像进行预处理；
将预处理后的单帧图像按照国家标准海况等级进行海浪等级标注；
对标注后的所有单帧图像采用进行训练得到卷积神经网络模型即近岸海浪等级模型。
5.根据权利要求4所述的方法，其特征在于：所述对所有单帧图像进行预处理包括：
将所有单帧图像按照海浪的周期性截取出分辨率为300*300的单帧图像样本。
6.根据权利要求5所述的方法，其特征在于，还包括：对所述单帧图像样本进行去均值处理。
7.根据权利要求6所述的方法，其特征在于，还包括：所述将所述去均值后的单帧图像样本缩小至100*100的分辨率得到预处理后的单帧图像。
8.根据权利要求4所述的方法，其特征在于：将所述近岸海浪视频处理为连续的单帧图像后还包括：
对所述单帧图像每隔预设角度旋转一次，得到多个单帧图像。
9.一种近岸海浪等级监测装置，其特征在于，包括：
实时视频获取模块，用于获取所述近岸海浪的实时视频；
实时等级获取模块，用于根据所述实时视频和预先基于海浪高时空关联特性构建的近岸海浪等级模型得到所述实时视频中近岸海浪的实时等级。
CN202110546492.4A 2021-05-19 2021-05-19 一种近岸海浪等级监测方法及装置 Pending CN113221777A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110546492.4A CN113221777A (zh) 2021-05-19 2021-05-19 一种近岸海浪等级监测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110546492.4A CN113221777A (zh) 2021-05-19 2021-05-19 一种近岸海浪等级监测方法及装置

Publications (1)

Publication Number Publication Date
CN113221777A true CN113221777A (zh) 2021-08-06

Family

ID=77093198

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110546492.4A Pending CN113221777A (zh) 2021-05-19 2021-05-19 一种近岸海浪等级监测方法及装置

Country Status (1)

Country Link
CN (1) CN113221777A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114519806A (zh) * 2022-01-29 2022-05-20 国家海洋环境预报中心 一种大洋浪级观测模型训练方法及系统
CN116524405A (zh) * 2023-05-04 2023-08-01 广东海洋大学 海洋风暴的浪高识别方法与系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
郑宗生等: "基于深度学习的近岸海浪等级视频监测", 《海洋环境科学》, vol. 36, no. 6, pages 1 *
郝建波: "基于深度学习的近岸海浪等级分类研究", 《中国优秀硕士学位论文全文数据库（基础科学辑）》, no. 5, pages 010 - 32 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114519806A (zh) * 2022-01-29 2022-05-20 国家海洋环境预报中心 一种大洋浪级观测模型训练方法及系统
CN114519806B (zh) * 2022-01-29 2022-10-11 国家海洋环境预报中心 一种大洋浪级观测模型训练方法及系统
CN116524405A (zh) * 2023-05-04 2023-08-01 广东海洋大学 海洋风暴的浪高识别方法与系统
CN116524405B (zh) * 2023-05-04 2024-02-23 广东海洋大学 海洋风暴的浪高识别方法与系统

Similar Documents

Publication Publication Date Title
CN111898633B (zh) 一种基于高光谱图像的海上舰船目标检测方法
CN113221777A (zh) 一种近岸海浪等级监测方法及装置
WO2023050746A1 (zh) 增强舰船目标检测sar图像数据的方法
CN110555841A (zh) 基于自注意图像融合和dec的sar图像变化检测方法
CN113887517B (zh) 基于并行注意力机制的农作物遥感图像语义分割方法
CN114612769B (zh) 一种融入局部结构信息的集成感知红外成像舰船检测方法
CN113688948A (zh) 一种基于YOLO v5的附着海生物种类识别方法
CN107247927A (zh) 一种基于缨帽变换的遥感图像海岸线信息提取方法及系统
CN113469097B (zh) 一种基于ssd网络的水面漂浮物多相机实时检测方法
CN114663439A (zh) 一种遥感影像海陆分割方法
CN111797186A (zh) 一种遥感反演水体cod的方法
CN114565824B (zh) 基于全卷积网络的单阶段旋转舰船检测方法
CN116563697A (zh) 一种基于半软标签的sar图像近岸舰船目标检测方法
CN115983141A (zh) 一种基于深度学习反演海浪波高的方法、介质及系统
CN117312948A (zh) 一种基于多传感器融合和eca-cnn的旋转机械故障诊断方法
CN116168240A (zh) 基于注意力增强的任意方向密集舰船目标检测方法
CN116486183B (zh) 基于多种注意力权重融合特征的sar图像建筑区分类方法
CN117292261A (zh) 一种异源遥感影像变化检测方法
Wei et al. Texture feature analysis in oil spill monitoring by SAR image
CN112434590A (zh) 一种基于小波变换的sar影像风条纹识别方法
CN112330562A (zh) 一种异构遥感图像变换方法及系统
CN112347926B (zh) 基于建筑形态分布的高分辨率影像城中村检测方法
CN114926794A (zh) 一种高效的轻量化sar船舶目标检测方法
CN112085779B (zh) 一种波浪参数估算方法及装置
CN114065822A (zh) 海洋潮流涨落的电磁识别方法及系统

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210806