CN116188964B - 一种利用多波束图像进行海底滑坡实时识别的方法 - Google Patents
一种利用多波束图像进行海底滑坡实时识别的方法 Download PDFInfo
- Publication number
- CN116188964B CN116188964B CN202310028156.XA CN202310028156A CN116188964B CN 116188964 B CN116188964 B CN 116188964B CN 202310028156 A CN202310028156 A CN 202310028156A CN 116188964 B CN116188964 B CN 116188964B
- Authority
- CN
- China
- Prior art keywords
- landslide
- submarine
- model
- topography
- submarine landslide
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012876 topography Methods 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 13
- 230000000877 morphologic effect Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 5
- 230000008014 freezing Effects 0.000 claims description 5
- 238000007710 freezing Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000013526 transfer learning Methods 0.000 abstract description 9
- 238000013508 migration Methods 0.000 abstract description 8
- 230000005012 migration Effects 0.000 abstract description 8
- 230000007547 defect Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 2
- 239000000463 material Substances 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000005484 gravity Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/05—Underwater scenes
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种利用多波束图像进行海底滑坡实时识别的方法。该方法能够快速实时识别海底滑坡。即利用多波束数据处理技术对海底地形地貌多波束资料进行处理，获取可以表征海底滑坡地形地貌特点的图像的特征值，建立海底滑坡形态结构与多波束图像特征值之间的对应关系，实现基于迁移学习方法的海底滑坡图像识别。该方法仅依赖较少的海底滑坡多波束图像，以及用以提取图像特征值的迁移学习算法的不断改进，具有操作简单，时间短，识别准确率高等优点，与传统海底滑坡识别解译方法相比，能够克服传统方法需要大量多波束图像和地震剖面数据和大量专业人员的缺点。
Description
技术领域
本发明涉及海底滑坡识别技术领域，具体而言，特别涉及一种利用多波束图像进行海底滑坡实时识别的方法。
背景技术
海底滑坡一般是指在地震、海啸、高沉积速率、火山、水合物分解等因素的诱发下，快速沉积的结构疏松欠压实沉积物沿大陆滑动面发生块体搬运的过程，是广泛发生在大陆坡的一种重力流搬运机制，包括滑动、滑塌和碎屑流等重力流作用过程。
海底滑坡无论是被动大陆边缘还是活动大陆边缘都广泛发育，大小规模不等，最大可以达到几千平方千米，因此海底滑坡容易对海洋钻井平台，海底光缆等海洋工程设施产生破坏。
对于这种危害性极大的海洋地质灾害，传统的探测和识别方法主要是通过多波束系统对海底地貌进行探测，多道地震系统对海底地层结构进行探测，通过获取的海底地貌和地层结构进行海底滑坡的识别。
本发明中为克服可用研究图像少的问题，引入了迁移学习方法。迁移学习是目前最为流行的深度学习方法，主要是通过将从源域数据中获取的经验和知识，应用到目标域的分类或者回归任务中，从而克服目标域中数据少的缺点，而达到较好的训练效果的。
迁移学习按照学习方法可以分为四类：基于样本的迁移学习，基于特征的迁移学习，基于模型的迁移学习，基于关系的迁移学习。最常用的效果最好的方法是基于模型的迁移。基于模型的迁移是指从源域和目标域中找到其共享的参数，假设目标任务和源域任务之间共享一些参数，或者共享模型超参数的先验分布，这样把源域的模型迁移到目标任务中，可以达到较好的精度。基于模型的迁移包括2个阶段，分别是预训练阶段和微调阶段，预训练阶段是指利用大型数据集进行训练（比如ImageNet），获取训练效果最好的模型；其中预训练好的模型包括Xception, VGG16, VGG19, ResNet50, InceptionV3,IncetionResNetV2, MobileNet等模型。微调阶段是利用预训练的模型，针对目标任务进行微调，从而获取较好的结果。
由于全球海底滑坡数量众多，利用多波束图像和地震剖面资料进行海底滑坡的识别和解译，这种传统方法存在2个基本问题：1、数据难得：进行海底滑坡识别所需的高精度多波束资料难得，地震剖面资料的获取花费巨大；2、进行人工解译，需要专业技术人员，时间长，效率低，人力物力耗费巨大。因此，进行海底滑坡的高效快速识别和解译是一项重要的研究工作，本发明了一种利用多波束图像进行海底滑坡实时识别的系统及方法。
发明内容
为了弥补现有技术的不足，本发明提供了一种利用多波束图像进行海底滑坡实时识别的方法。该方法能够快速实时识别海底滑坡。即利用多波束数据处理技术对海底地形地貌多波束资料进行处理，获取可以表征海底滑坡地形地貌特点的图像的特征值，建立海底滑坡形态结构与多波束图像特征值之间的对应关系，实现基于迁移学习方法的海底滑坡图像识别。该方法仅依赖较少的海底滑坡多波束图像，以及用以提取图像特征值的迁移学习算法的不断改进，具有操作简单，时间短，识别准确率高等优点，与传统海底滑坡识别解译方法相比，能够克服传统方法需要大量多波束图像和地震剖面数据和大量专业人员的缺点。
本发明是通过如下技术方案实现的：一种利用多波束图像进行海底滑坡实时识别的方法，其特征在于,具体包括以下步骤：
步骤S1：通过船载高精度多波束测深系统获取高精度海底地形地貌多波束图像，多波束数据包括多波束测深数据、多波束回波数据和多波束水体数据；
步骤S2：利用多波束数据处理软件对多波束测深数据处理，从而获取海底地貌高精度多波束测深图，即海底地形图；
步骤S3：利用海底滑坡自动识别模型对海底滑坡范围进行检测识别；包括两个部分，第一部分为海底滑坡自动识别模型的构建，第二部分为利用构建的模型对获取的海底地形图进行检测，完成对海底滑坡的检测识别；
步骤S4：将海底滑坡识别模型的输出结果作为海底滑坡初步检测结果，将滑坡检测结果通过实时显示装置终端实时呈现。
作为优选方案，步骤S3中的第一部分包括3个子步骤,具体包括以下步骤：
S311：建立海底滑坡验证集；
建立包含1600个海底滑坡图像的海底滑坡验证集，在构建海底滑坡数据集时，用标注软件labelme进行标注，其中黑色实线为海底滑坡形态特征示意图，可明显分辨出海底滑坡的滑坡后壁和走滑方向以及滑坡范围；
S312：利用ImageNet图像集训练基础模型，选择不同结构的基础训练模型；
ImageNet图像集共有14197122幅图像，分为21841个类别，选择Xception，VGG16，VGG19，ResNet50和ResNet152五种基础训练模型；
S313：通过海底滑坡验证集对基础模型进行微调；
修改模型结构中的全连接层，将原来全连接层的10个输出类别修改为2个输出类别，即是海底滑坡与非海底滑坡；同时通过冻结模型结构尾部的多层结构，经过对比不同冻结层数的训练效果，最终选择冻结2层效果最好。
进一步地，基础训练模型选择ResNet152为基础模型，该模型结构包括输入层，输出层，卷积层，全连接层，最大池化层，输入层是指输入图像的接口，输入图像为RGB图像，图像大小无要求；输出层是指经过模型处理后模型的输出结果，即对海底地形是否为海底滑坡的判断情况；该模型由150个卷积层组成了模型中的50个三层残差模块，同时为了最大化的保留图像所包含的细节和特征，在进行模型架构时，当缩小图像尺寸（size）时便增加图像的通道数（channels）。
作为优选方案，步骤S3中的第二部分,具体包括以下步骤：通过海底滑坡验证集学习海底滑坡形态特征，对实时获取的高精度海底地形图，分析多波束海底地形图中与海底滑坡形态特征相匹配的地貌元素，并将该地貌元素作为海底滑坡识别结果进行输出，最终获得该海底地形中的海底滑坡范围。
作为优选方案，步骤S4中的实时显示装置包括高清显示器和数据接口，该实时显示装置与海底多波束图像显示系统相连接，可将步骤3检测后的海底地形图进行显示，并将检测出的海底滑坡的范围进行特殊显示。
本发明由于采用了以上技术方案，与现有技术相比使其具有以下有益效果：
1. 能够进行海底滑坡的实时的自动识别，极大的缩短了海底滑坡识别的工作时间，减少了人力物力的浪费。能够在科考船上通过多波束测深系统实施识别海底滑坡，极大的缩短了海底滑坡解译工作时间。
2.不需要大量的多道地震勘探工作获取地震剖面资料，只需要利用较少的多波束资料即可完成海底滑坡识别工作，避免了大量勘测资源的浪费。
3.进行海底滑坡识别为海底工程地质灾害调查提供有效辅助，获取海底滑坡分布特征可以用于海洋地质环境的预警系统的开发和预防措施。
4.提出的迁移学习方法能够克服训练数据少的问题，通过迁移学习的方法能够获得较高的识别准确率，整体稳定性高，能够适用于全球各个区域的海底滑坡识别工作。
本发明的附加方面和优点将在下面的描述部分中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为利用多波束对海底滑图像实时识别的系统流程图；
图2为单个海底滑坡多波束图像特征图；
图3为实时识别海底滑坡方法示意图；
图4为海底滑坡多波束识别结果图；
图5为海底滑坡多波束实时监测示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
下面结合图1至图5对本发明的实施例的利用多波束图像进行海底滑坡实时识别的方法进行具体说明。
如图1所示，本发明提出了一种利用多波束图像进行海底滑坡实时识别的方法，其特征在于,具体包括以下步骤：
步骤S1：通过船载高精度多波束测深系统获取高精度海底地形地貌多波束图像，多波束数据包括多波束测深数据、多波束回波数据和多波束水体数据；
步骤S2：利用多波束数据处理软件对多波束测深数据处理，从而获取海底地貌高精度多波束测深图，即海底地形图；
步骤S3：利用海底滑坡自动识别模型对海底滑坡范围进行检测识别；如图3所示，包括两个部分，第一部分为海底滑坡自动识别模型的构建，第二部分为利用构建的模型对获取的海底地形图进行检测，完成对海底滑坡的检测识别；
步骤S3中的第一部分包括3个子步骤,具体包括以下步骤：
S311：建立海底滑坡验证集；
本发明为实现利用海底多波束地形图对海底滑坡进行识别，本发明还根据其他学者研究成果，通过搜集相关研究数据，建立包含1600个海底滑坡图像的海底滑坡验证集，部分海底滑坡图像如图2所示，在构建海底滑坡数据集时，用标注软件labelme进行标注，其中黑色实线为海底滑坡形态特征示意图，可明显分辨出海底滑坡的滑坡后壁和走滑方向以及滑坡范围；
S312：利用ImageNet图像集训练基础模型，选择不同结构的基础训练模型；
本发明之所以采用ImageNet图像集进行模型的训练，主要是因为ImageNet图像集共有14197122幅图像，分为21841个类别，图像数量类别大，能够包含更多的图像信息。本发明为选择最优的基础模型，选择Xception，VGG16，VGG19，ResNet50和ResNet152五种基础训练模型，对不同模型进行比较，综合考虑不同模型的模型参数和模型架构，各模型参数如下表所示，最终选择ResNet152为基础模型；
基础训练模型选择ResNet152为基础模型，用到迁移学习模型即选择的ResNet152是一种超深卷积神经网络结构模型,该模型结构包括输入层，输出层，卷积层，全连接层，最大池化层，输入层是指输入图像的接口，输入图像为RGB图像，图像大小无要求；输出层是指经过模型处理后模型的输出结果，即对海底地形是否为海底滑坡的判断情况；该模型由150个卷积层组成了模型中的50个三层残差模块，同时为了最大化的保留图像所包含的细节和特征，在进行模型架构时，当缩小图像尺寸（size）时便增加图像的通道数（channels）。
S313：通过海底滑坡验证集对基础模型进行微调；在进行模型的微调与验证时，修改模型结构中的全连接层，将原来全连接层的10个输出类别修改为2个输出类别，即是海底滑坡与非海底滑坡；同时通过冻结模型结构尾部的多层结构，经过对比不同冻结层数的训练效果，最终选择冻结2层效果最好。
步骤S3中的第二部分,具体包括以下步骤：对实时获取的海底地貌高精度多波束测深图进行检测，最后输出海底滑坡识别检测结果；通过海底滑坡验证集学习海底滑坡形态特征，对实时获取的高精度海底地形图，分析多波束海底地形图中与海底滑坡形态特征相匹配的地貌元素，并将该地貌元素作为海底滑坡识别结果进行输出，最终获得该海底地形中的海底滑坡范围。
步骤S4：如图4所示，将海底滑坡识别模型的输出结果作为海底滑坡初步检测结果，将滑坡检测结果通过实时显示装置终端实时呈现。实时显示装置包括高清显示器和数据接口，该实时显示装置与海底多波束图像显示系统相连接，可将步骤3检测后的海底地形图进行显示，并将检测出的海底滑坡的范围进行特殊显示。
在本发明的描述中，术语“多个”则指两个或两个以上，除非另有明确的限定，术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制；术语“连接”、“安装”、“固定”等均应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本说明书的描述中，术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明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实例。而且，描述的具体特征、结构、材料或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。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (2)
1.一种利用多波束图像进行海底滑坡实时识别的方法，其特征在于,具体包括以下步骤：
步骤S1：通过船载高精度多波束测深系统获取高精度海底地形地貌多波束图像，多波束数据包括多波束测深数据、多波束回波数据和多波束水体数据；
步骤S2：利用多波束数据处理软件对多波束测深数据处理，从而获取海底地貌高精度多波束测深图，即海底地形图；
步骤S3：利用海底滑坡自动识别模型对海底滑坡范围进行检测识别；包括两个部分，第一部分为海底滑坡自动识别模型的构建，第二部分为利用构建的模型对获取的海底地形图进行检测，完成对海底滑坡的检测识别；
第一部分包括3个子步骤,具体包括以下步骤：
S311：建立海底滑坡验证集；
建立包含1600个海底滑坡图像的海底滑坡验证集，在构建海底滑坡数据集时，用标注软件labelme进行标注，其中黑色实线为海底滑坡形态特征示意图，可明显分辨出海底滑坡的滑坡后壁和走滑方向以及滑坡范围；
S312：利用ImageNet图像集训练基础模型，ImageNet图像集共有14197122幅图像，分为21841个类别，基础训练模型选择ResNet152为基础模型，该模型结构包括输入层，输出层，卷积层，全连接层，最大池化层，输入层是指输入图像的接口，输入图像为RGB图像，图像大小无要求；输出层是指经过模型处理后模型的输出结果，即对海底地形是否为海底滑坡的判断情况；该模型由150个卷积层组成了模型中的50个三层残差模块，同时为了最大化的保留图像所包含的细节和特征，在进行模型架构时，当缩小图像尺寸时便增加图像的通道数；
S313：通过海底滑坡验证集对基础模型进行微调；修改模型结构中的全连接层，将原来全连接层的10个输出类别修改为2个输出类别，即是海底滑坡与非海底滑坡；同时通过冻结模型结构尾部的多层结构，经过对比不同冻结层数的训练效果，最终选择冻结2层效果最好；
第二部分具体包括以下步骤：通过海底滑坡验证集学习海底滑坡形态特征，对实时获取的高精度海底地形图，分析多波束海底地形图中与海底滑坡形态特征相匹配的地貌元素，并将该地貌元素作为海底滑坡识别结果进行输出，最终获得该海底地形中的海底滑坡范围；
步骤S4：将海底滑坡识别模型的输出结果作为海底滑坡初步检测结果，将滑坡检测结果通过实时显示装置终端实时呈现。
2.根据权利要求1所述的一种利用多波束图像进行海底滑坡实时识别的方法,其特征在于,所述步骤S4中的实时显示装置包括高清显示器和数据接口，该实时显示装置与海底多波束图像显示系统相连接，可将步骤S3检测后的海底地形图进行显示，并将检测出的海底滑坡的范围进行显示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310028156.XA CN116188964B (zh) | 2023-01-09 | 2023-01-09 | 一种利用多波束图像进行海底滑坡实时识别的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310028156.XA CN116188964B (zh) | 2023-01-09 | 2023-01-09 | 一种利用多波束图像进行海底滑坡实时识别的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116188964A CN116188964A (zh) | 2023-05-30 |
| CN116188964B true CN116188964B (zh) | 2024-01-26 |
Family
ID=86437772
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310028156.XA Active CN116188964B (zh) | 2023-01-09 | 2023-01-09 | 一种利用多波束图像进行海底滑坡实时识别的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116188964B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2003081172A1 (en) * | 2002-03-25 | 2003-10-02 | Council Of Scientific And Industrial Research | Classifying seafloor roughness with som and lvq |
| JP2011185617A (ja) * | 2010-03-04 | 2011-09-22 | Furuno Electric Co Ltd | 底質判別装置、魚群探知機、底質判別方法、および底質判別プログラム |
| CN108629364A (zh) * | 2018-03-15 | 2018-10-09 | 中国石油大学(华东) | 基于多重分形谱特征的非高斯型海底地貌类型识别方法 |
| CN111709487A (zh) * | 2020-06-22 | 2020-09-25 | 中国科学院空天信息创新研究院 | 基于决策级融合的水下多源声学图像底质分类方法及系统 |
| CN113807324A (zh) * | 2021-11-02 | 2021-12-17 | 中国人民解放军32021部队 | 一种声呐图像识别方法、装置、电子设备和储存介质 |
| CN114463620A (zh) * | 2022-01-26 | 2022-05-10 | 自然资源部第三海洋研究所 | 基于YOLOv5的侧扫声呐海洋底质识别方法及装置 |
| CN114782211A (zh) * | 2022-05-16 | 2022-07-22 | 广州海洋地质调查局 | 一种海山分布范围信息的获取方法及系统 |
-
2023
- 2023-01-09 CN CN202310028156.XA patent/CN116188964B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2003081172A1 (en) * | 2002-03-25 | 2003-10-02 | Council Of Scientific And Industrial Research | Classifying seafloor roughness with som and lvq |
| JP2011185617A (ja) * | 2010-03-04 | 2011-09-22 | Furuno Electric Co Ltd | 底質判別装置、魚群探知機、底質判別方法、および底質判別プログラム |
| CN108629364A (zh) * | 2018-03-15 | 2018-10-09 | 中国石油大学(华东) | 基于多重分形谱特征的非高斯型海底地貌类型识别方法 |
| CN111709487A (zh) * | 2020-06-22 | 2020-09-25 | 中国科学院空天信息创新研究院 | 基于决策级融合的水下多源声学图像底质分类方法及系统 |
| CN113807324A (zh) * | 2021-11-02 | 2021-12-17 | 中国人民解放军32021部队 | 一种声呐图像识别方法、装置、电子设备和储存介质 |
| CN114463620A (zh) * | 2022-01-26 | 2022-05-10 | 自然资源部第三海洋研究所 | 基于YOLOv5的侧扫声呐海洋底质识别方法及装置 |
| CN114782211A (zh) * | 2022-05-16 | 2022-07-22 | 广州海洋地质调查局 | 一种海山分布范围信息的获取方法及系统 |
Non-Patent Citations (6)
| Title |
|---|
| A method for multibeam seafloor terrain classification based on self-adaptive geographic classification unit;Xiaodong Cui etc.;Applied Acoustics;全文 * |
| Takaki Yamada etc..GeoCLR: Georeference Contrastive Learning for E cient Sea oor Image Interpretation.arXiv:2108.06421v2.2022,全文. * |
| Using seabed acoustic imagery to characterize and classify seabed sediment types in the pockmark area of the North Yellow Sea, China;Qiuhua Tang etc.;Applied Acoustics;全文 * |
| 吴一琼.海底地貌类型识别方法研究.中国优秀硕士学位论文全文数据库基础科学辑.2020,第2.1-2.2、3.2、5.3节. * |
| 海底地貌类型识别方法研究;吴一琼;中国优秀硕士学位论文全文数据库基础科学辑;第2.1-2.2、3.2、5.3节 * |
| 深海滑坡研究进展;宋晓帅等;海洋地质与第四纪地质;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116188964A (zh) | 2023-05-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112258496A (zh) | 一种基于全卷积神经网络的地下排水管道病害分割方法 | |
| CN111652149A (zh) | 基于深度卷积神经网络的沉底油声呐探测图像识别方法 | |
| CN111368690B (zh) | 基于深度学习的海浪影响下视频图像船只检测方法及系统 | |
| CN111241970B (zh) | 基于yolov3算法与滑动窗口策略的SAR影像海面舰船检测方法 | |
| CN113160246A (zh) | 一种基于深度监督的图像语义分割方法 | |
| CN114782982A (zh) | 一种基于深度学习的海洋生物智能检测方法 | |
| CN114781514A (zh) | 一种融合注意力机制的漂浮物目标检测方法及系统 | |
| CN111582403A (zh) | 一种零样本侧扫声呐图像目标分类方法 | |
| Shi et al. | Automated underwater pipeline damage detection using neural nets | |
| CN114743102A (zh) | 一种面向家具板材的瑕疵检测方法、系统及装置 | |
| CN115439694A (zh) | 一种基于深度学习的高精度点云补全方法及装置 | |
| CN116309155A (zh) | 基于卷积和转换器混合网络的图像修复方法、模型和装置 | |
| Nazarov et al. | Classification of defects in welds using a convolution neural network | |
| CN114821229A (zh) | 基于条件生成对抗网络的水下声学数据集增广方法及系统 | |
| CN116188964B (zh) | 一种利用多波束图像进行海底滑坡实时识别的方法 | |
| CN117372854A (zh) | 一种大坝深水结构隐患病害实时检测方法 | |
| CN112818777A (zh) | 一种基于密集连接与特征增强的遥感图像目标检测方法 | |
| CN111104976B (zh) | 一种基于时间序列图像的蓝藻覆盖率计算方法 | |
| CN112417980A (zh) | 一种基于特征增强和细化的单阶段水下生物目标检测方法 | |
| CN116523885A (zh) | 一种基于多尺度融合及深度学习的pcb缺陷检测方法 | |
| CN116208829A (zh) | 岩层钻孔环境全景成像、状态识别系统及其方法 | |
| Sethuraman et al. | Towards sim2real for shipwreck detection in side scan sonar imagery | |
| CN115690001A (zh) | 一种用于检测钢管焊接数字射线图像中缺陷的方法 | |
| Ahsan et al. | Predictive habitat models from AUV-based multibeam and optical imagery | |
| CN115082650A (zh) | 一种基于卷积神经网络的管道缺陷自动标注工具的实现方法 |
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 |