CN116386027B - 一种基于人工智能算法的海洋三维旋涡识别系统及方法 - Google Patents

一种基于人工智能算法的海洋三维旋涡识别系统及方法 Download PDF

Info

Publication number
CN116386027B
CN116386027B CN202310351098.4A CN202310351098A CN116386027B CN 116386027 B CN116386027 B CN 116386027B CN 202310351098 A CN202310351098 A CN 202310351098A CN 116386027 B CN116386027 B CN 116386027B
Authority
CN
China
Prior art keywords
layer
dimensional
module
sub
convolution
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
Application number
CN202310351098.4A
Other languages
English (en)
Other versions
CN116386027A (zh
Inventor
徐广珺
谢文鸿
林夏艳
刘宇
董昌明
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.)
Guangdong Ocean University
Southern Marine Science and Engineering Guangdong Laboratory Zhuhai
Original Assignee
Guangdong Ocean University
Southern Marine Science and Engineering Guangdong Laboratory Zhuhai
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 Guangdong Ocean University, Southern Marine Science and Engineering Guangdong Laboratory Zhuhai filed Critical Guangdong Ocean University
Priority to CN202310351098.4A priority Critical patent/CN116386027B/zh
Publication of CN116386027A publication Critical patent/CN116386027A/zh
Application granted granted Critical
Publication of CN116386027B publication Critical patent/CN116386027B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • 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
    • G06N3/0455—Auto-encoder networks; Encoder-decoder 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06V10/52—Scale-space analysis, e.g. wavelet analysis
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于人工智能算法的海洋三维旋涡识别系统及方法，所述系统包括编码器模块和解码器模块，所述编码器模块包括第一子模块(1)、第二子模块(2)和第三子模块(3)，所述解码器模块包括第四子模块(4)、第五子模块(5)、第六子模块(6)和第七子模块(7)，所述编码器用于提取输入数据的多尺度特征，所述解码器用于将编码器得到的多尺度特征进行融合。本发明可以准确、快速地识别海洋三维涡旋，进而可以更好地认识涡旋的垂向结构及其伴随的动力过程。

Description

一种基于人工智能算法的海洋三维旋涡识别系统及方法
技术领域
本发明涉及水文、海洋技术领域，特别是涉及一种基于人工智能算法的海洋三维旋涡识别系统及方法。
背景技术
海洋涡旋是一种普遍存在的海洋特征，在全球能源和物质运输中发挥着重要作用，已有研究表明，中尺度涡旋的动能占全球海洋总动能的80％，涡旋引起的海水运动速度是海洋平均流速的几倍甚至数十倍。无处不在的高能量、强穿透性的海洋涡旋对海洋环流、全球气候变化、海洋生物化学过程和海洋环境变迁中都起着非常大的作用。因此，海洋涡旋的研究具有非常重要的科学意义和应用价值。随着海洋数据日益增多，涡旋探测方法也发展得日趋成熟，日益发展的深度学习算法被越来越广泛地应用在海洋涡旋的探测中。
然而，目前对海洋漩涡三维结构的研究仍存在无法准确、快速的识别三维结构，以及在认识旋涡的垂向结构及其伴随的动力过程受限的问题。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于人工智能算法的海洋三维旋涡识别系统及方法解决了传统海洋漩涡三维结构的研究存在无法准确、快速的识别三维结构，以及在认识旋涡的垂向结构及其伴随的动力过程受限的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于人工智能算法的海洋三维旋涡识别系统，所述系统包括编码器模块和解码器模块，所述编码器模块包括第一子模块、第二子模块和第三子模块，所述解码器模块包括第四子模块、第五子模块、第六子模块和第七子模块，所述第一子模块、第二子模块、第三子模块、第四子模块、第五子模块、第六子模块和第七子模块依次连接，所述第一子模块与输入层连接，所述第七子模块与输出层连接，所述第二子模块、第三子模块、第四子模块、第五子模块和第六子模块均与线性残差连接，所述编码器用于提取输入数据的多尺度特征，所述解码器用于将编码器得到的多尺度特征进行融合。
上述方案的有益效果是：通过上述技术方案，提供了一种海洋三维旋涡识别系统，该系统主要由左侧部分的降尺度模块，即编码器，和右侧部分的解码器模块组成，用于输出与原始图像大小相同的图像。本方案解决了传统海洋漩涡三维结构的研究存在无法准确、快速的识别三维结构，以及在认识旋涡的垂向结构及其伴随的动力过程受限的问题。
进一步地，第一子模块包括三维卷积层、ReLu激活层和最大池化层，所述三维卷积层、ReLu激活层和最大池化层依次连接，所述三维卷积层的卷积核大小为3*3*3，卷积滤波器数量为32，所述最大池化层的池化步长为2*2*2。
上述进一步方案的有益效果是：通过上述技术方案，完成第一子模块的设置，并对卷积核大小、卷积滤波器数量以及池化步长做出进一步限定，第一子模块用于与输入层连接。
进一步地，第二子模块和第三子模块均包括第一ReLu激活层、第二ReLu激活层、第一三维卷积层、第二三维卷积层和最大池化层，所述第一ReLu激活层、第一三维卷积层、第二ReLu激活层、第二三维卷积层和最大池化层依次连接，所述第一三维卷积层和第二三维卷积层的卷积核大小均为3*3*3，所述最大池化层的池化步长为2*2*2，所述第二子模块中第一三维卷积层和第二三维卷积层的卷积滤波器数量均为64，所述第三子模块中第一三维卷积层和第二三维卷积层的卷积滤波器数量均为128，所述第二子模块和第三子模块的线性残差包括残差卷积。
上述进一步方案的有益效果是：通过上述技术方案，在每个降尺度模块之后，每一轮的卷积滤波器数量变为原来的2倍，在每个残差卷积连接中都会将子模块输出和输入的特征进行拼接，以获取更复杂的语义特征。
进一步地，第四子模块、第五子模块和第六子模块均包括第一ReLu激活层、第二ReLu激活层、第一三维反卷积层、第二三维反卷积层和上采样层，所述第一ReLu激活层、第一三维反卷积层、第二ReLu激活层、第二三维反卷积层和上采样层依次连接，所述第一三维反卷积层和第二三维反卷积层的卷积核大小均为3*3*3，所述上采样层大小为2*2*2，所述四子模块中第一三维反卷积层和第二三维反卷积层的卷积滤波器数量均为128，所述第五子模块中第一三维反卷积层和第二三维反卷积层的卷积滤波器数量均为64，所述第六子模块中第一三维反卷积层和第二三维反卷积层的卷积滤波器数量均为32，所述第四子模块、第五子模块和第六子模块的线性残差包括上采样层和残差反卷积层。
上述进一步方案的有益效果是：解码器模块用于将编码器得到的多尺度特征进行融合，解码器具有三个上采样子模块，在每个子模块进行上采样之前，分别进行连续两轮的ReLu激活、三维反卷积，并将上采样和卷积相结合作为残差连接。
进一步地，第七子模块包括三维卷积层和softmax激活层，所述三维卷积层的卷积核大小为3*3*3，使输出图像中每个像素在4个分类通道中取值为0或1。
上述进一步方案的有益效果是：第七子模块用于与输出层连接，将获得的特征信息进行卷积运算和softmax激活处理，输出与原始图像大小相同的图像。
除此之外，本发明还采用的技术方案为：一种基于人工智能算法的海洋三维旋涡识别方法，所述方法包括以下步骤：
S1：将包括经向速度、纬向速度和速度异常的体数据作为训练集样本输入海洋三维旋涡识别系统进行模型训练；
S2：对训练集样本进行降尺度编码处理，提取训练集样本的多尺度特征；
S3：对降尺度编码得到的多尺度特征信息进行上采样解码处理，并进行多尺度特征的融合；
S4：对多尺度特征融合后的特征信息进行3*3*3的卷积运算和softmax激活处理，使输出图像中每个像素在4个通道中取值为0或1，且输出图像的大小与原始图像相同，完成模型训练；
S5：将需要识别的数据集输入至训练好的海洋三维旋涡识别系统中进行识别，完成海洋三维旋涡的识别。
上述方案的有益效果是：通过上述技术方案，对海洋三维旋涡识别系统完成模型训练，将需要识别的数据输入至模型即可获得海洋三维旋涡模型，本方案中还对海洋旋涡数量的垂向变化进行了分析，能够完整地识别出海洋旋涡的三维结构。
附图说明
图1为一种基于人工智能算法的海洋三维旋涡识别系统结构图。
其中：1、第一子模块；2、第二子模块；3、第三子模块；4、第四子模块；5、第五子模块；6、第六子模块；7、第七子模块。
图2为一种基于人工智能算法的海洋三维旋涡识别方法流程图。
图3为3D-U-Res-Net智能识别的海洋涡旋三维结构示例图。
图4为识别出的海洋旋涡数量随深度的变化图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步说明。
实施例1，如图1所示，一种基于人工智能算法的海洋三维旋涡识别系统，所述系统包括编码器模块和解码器模块，所述编码器模块包括第一子模块1、第二子模块2和第三子模块3，所述解码器模块包括第四子模块4、第五子模块5、第六子模块6和第七子模块7，所述第一子模块1、第二子模块2、第三子模块3、第四子模块4、第五子模块5、第六子模块6和第七子模块7依次连接，所述第一子模块1与输入层连接，所述第七子模块7与输出层连接，所述第二子模块2、第三子模块3、第四子模块4、第五子模块5和第六子模块6均与线性残差连接，所述编码器用于提取输入数据的多尺度特征，所述解码器用于将编码器得到的多尺度特征进行融合。
第一子模块1包括三维卷积层、ReLu激活层和最大池化层，所述三维卷积层、ReLu激活层和最大池化层依次连接，所述三维卷积层的卷积核大小为3*3*3，卷积滤波器数量为32，所述最大池化层的池化步长为2*2*2。
第二子模块2和第三子模块3均包括第一ReLu激活层、第二ReLu激活层、第一三维卷积层、第二三维卷积层和最大池化层，所述第一ReLu激活层、第一三维卷积层、第二ReLu激活层、第二三维卷积层和最大池化层依次连接，所述第一三维卷积层和第二三维卷积层的卷积核大小均为3*3*3，所述最大池化层的池化步长为2*2*2，所述第二子模块2中第一三维卷积层和第二三维卷积层的卷积滤波器数量均为64，所述第三子模块3中第一三维卷积层和第二三维卷积层的卷积滤波器数量均为128，所述第二子模块2和第三子模块3的线性残差包括残差卷积。
第四子模块4、第五子模块5和第六子模块6均包括第一ReLu激活层、第二ReLu激活层、第一三维反卷积层、第二三维反卷积层和上采样层，所述第一ReLu激活层、第一三维反卷积层、第二ReLu激活层、第二三维反卷积层和上采样层依次连接，所述第一三维反卷积层和第二三维反卷积层的卷积核大小均为3*3*3，所述上采样层大小为2*2*2，所述四子模块4中第一三维反卷积层和第二三维反卷积层的卷积滤波器数量均为128，所述第五子模块5中第一三维反卷积层和第二三维反卷积层的卷积滤波器数量均为64，所述第六子模块6中第一三维反卷积层和第二三维反卷积层的卷积滤波器数量均为32，所述第四子模块4、第五子模块5和第六子模块6的线性残差包括上采样层和残差反卷积层。
第七子模块7包括三维卷积层和softmax激活层，所述三维卷积层的卷积核大小为3*3*3，使输出图像中每个像素在4个分类通道中取值为0或1。
实施例2，如图2所示，一种基于人工智能算法的海洋三维旋涡识别方法，所述方法包括以下步骤：
S1：将包括经向速度、纬向速度和速度异常的体数据作为训练集样本输入海洋三维旋涡识别系统进行模型训练；
S2：对训练集样本进行降尺度编码处理，提取训练集样本的多尺度特征；
S3：对降尺度编码得到的多尺度特征信息进行上采样解码处理，并进行多尺度特征的融合；
S4：对多尺度特征融合后的特征信息进行3*3*3的卷积运算和softmax激活处理，使输出图像中每个像素在4个通道中取值为0或1，且输出图像的大小与原始图像相同，完成模型训练；
S5：将需要识别的数据集输入至训练好的海洋三维旋涡识别系统中进行识别，完成海洋三维旋涡的识别。
在本发明的一个实施例中，首先，利用传统动力学算法，从2000-2008年西北太平洋区域的数值模型输出的速度场数据中识别出所有海洋涡旋的三维结构，将模型数据的经向速度、纬向速度、速度异常等数据以涡旋的中心为中心，单独划分为32网格*32网格*16网格体数据，并根据各层数据归一化到-1～1区间；其次，以2000～2007年西北太平洋区域的21607个经向速度、纬向速度和速度异常的体数据为训练集样本输入模型，样本中标记了气旋和反气旋涡、背景水和地形的信息(即最终的4个分类特征)，将训练集样本输入海洋三维旋涡识别系统(3D-U-Res-Net)进行模型训练，如图1左侧所示，对输入样本进行降尺度编码处理，提取输入数据的多尺度特征，降尺度编码模块共有3个子模块：其中第一个子模块由三维卷积层、ReLu激活层和最大池化层组成，随后在每个降尺度子模块之后，由连续两轮ReLu激活层和三维卷积层连接最大池化层组成，其中卷积核大小为3*3*3，池化步长为2*2*2，在每个残差卷积连接中都会将子模块输出和输入的特征进行拼接，以获取更复杂的语义特征；如图1右侧所示，对降尺度编码得到的特征信息进行上采样解码处理，进行多尺度特征的融合，上采样解码模块共有3个子模块：在每个子模块进行上采样之前，分别进行连续两轮ReLu激活、三维反卷积，同时将上采样和卷积相结合作为残差连接；对得到的特征信息进行3*3*3的卷积运算和softmax激活处理，使输出图像中每个像素在4个分类通道(即4个分类特征)中取值为0或1，并且输出图像的大小与原始大小相同，完成3D-U-Res-Net模型的训练；最后，将训练好的模型应用于2008年的验证数据集，将得到2008年基于人工智能算法识别的海洋涡旋三维结构。
本实施例中，2008年验证数据集中的所有2659个海洋涡旋的三维结构均被识别出，如图3所示，智能识别出2008年1月2日的反气旋涡和2008年9月9日的气旋涡。
本发明提出了一种基于人工智能技术的涡旋三维结构识别系统及方法，可以准确、快速地识别海洋三维涡旋，进而可以更好地认识涡旋的垂向结构及其伴随的动力过程。本方案对识别出的海洋涡旋数量的垂向变化进行了分析，由图4可以看出，3D-U-Res-Net算法智能识别的涡旋数量在400m以浅的深度和传统方法的识别结果一致，但在深层海洋中，3D-U-Res-Net算法可以识别更多的海洋涡旋，进而可以更完整地识别海洋涡旋的三维结构，将对海洋涡旋研究起到了很好的促进作用。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在发明的保护范围内。

Claims (2)

1.一种基于人工智能算法的海洋三维旋涡识别系统，其特征在于，所述系统包括编码器模块和解码器模块，所述编码器模块包括第一子模块(1)、第二子模块(2)和第三子模块(3)，所述解码器模块包括第四子模块(4)、第五子模块(5)、第六子模块(6)和第七子模块(7)，所述第一子模块(1)、第二子模块(2)、第三子模块(3)、第四子模块(4)、第五子模块(5)、第六子模块(6)和第七子模块(7)依次连接，所述第一子模块(1)与输入层连接，所述第七子模块(7)与输出层连接，所述第二子模块(2)、第三子模块(3)、第四子模块(4)、第五子模块(5)和第六子模块(6)均与线性残差连接，所述编码器用于提取输入图像的多尺度特征，所述解码器用于将编码器得到的多尺度特征进行融合；
所述第一子模块(1)包括三维卷积层、ReLu激活层和最大池化层，所述三维卷积层、ReLu激活层和最大池化层依次连接，所述三维卷积层的卷积核大小为3*3*3，卷积滤波器数量为32，所述最大池化层的池化步长为2*2*2；
所述第二子模块(2)和第三子模块(3)均包括第一ReLu激活层、第二ReLu激活层、第一三维卷积层、第二三维卷积层和最大池化层，所述第一ReLu激活层、第一三维卷积层、第二ReLu激活层、第二三维卷积层和最大池化层依次连接，所述第一三维卷积层和第二三维卷积层的卷积核大小均为3*3*3，所述最大池化层的池化步长为2*2*2，所述第二子模块(2)中第一三维卷积层和第二三维卷积层的卷积滤波器数量均为64，所述第三子模块(3)中第一三维卷积层和第二三维卷积层的卷积滤波器数量均为128，所述第二子模块(2)和第三子模块(3)的线性残差包括残差卷积；
所述第四子模块(4)、第五子模块(5)和第六子模块(6)均包括第一ReLu激活层、第二ReLu激活层、第一三维反卷积层、第二三维反卷积层和上采样层，所述第一ReLu激活层、第一三维反卷积层、第二ReLu激活层、第二三维反卷积层和上采样层依次连接，所述第一三维反卷积层和第二三维反卷积层的卷积核大小均为3*3*3，所述上采样层大小为2*2*2，所述第四子模块(4)中第一三维反卷积层和第二三维反卷积层的卷积滤波器数量均为128，所述第五子模块(5)中第一三维反卷积层和第二三维反卷积层的卷积滤波器数量均为64，所述第六子模块(6)中第一三维反卷积层和第二三维反卷积层的卷积滤波器数量均为32，所述第四子模块(4)、第五子模块(5)和第六子模块(6)的线性残差包括上采样层和残差反卷积层；
所述第七子模块(7)包括三维卷积层和softmax激活层，所述三维卷积层的卷积核大小为3*3*3，使输出图像中每个像素在4个分类通道中取值为0或1。
2.一种基于人工智能算法的海洋三维旋涡识别方法，其特征在于，所述方法包括以下步骤：
S1：将包括经向速度、纬向速度和速度异常的体数据作为训练集样本输入如权利要求1所述基于人工智能算法的海洋三维旋涡识别系统进行模型训练；
S2：对训练集样本进行降尺度编码处理，提取训练集样本的多尺度特征；
S3：对降尺度编码得到的多尺度特征信息进行上采样解码处理，并进行多尺度特征的融合；
S4：对多尺度特征融合后的特征信息进行3*3*3的卷积运算和softmax激活处理，使输出图像中每个像素在4个通道中取值为0或1，且输出图像的大小与原始图像相同，完成模型训练；
S5：将需要识别的数据集输入至训练好的如权利要求1所述基于人工智能算法的海洋三维旋涡识别系统中进行识别，完成海洋三维旋涡的识别。
CN202310351098.4A 2023-04-03 2023-04-03 一种基于人工智能算法的海洋三维旋涡识别系统及方法 Active CN116386027B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310351098.4A CN116386027B (zh) 2023-04-03 2023-04-03 一种基于人工智能算法的海洋三维旋涡识别系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310351098.4A CN116386027B (zh) 2023-04-03 2023-04-03 一种基于人工智能算法的海洋三维旋涡识别系统及方法

Publications (2)

Publication Number Publication Date
CN116386027A CN116386027A (zh) 2023-07-04
CN116386027B true CN116386027B (zh) 2023-10-24

Family

ID=86980206

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310351098.4A Active CN116386027B (zh) 2023-04-03 2023-04-03 一种基于人工智能算法的海洋三维旋涡识别系统及方法

Country Status (1)

Country Link
CN (1) CN116386027B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118135423B (zh) * 2024-05-06 2024-07-05 自然资源部第一海洋研究所 一种基于深度学习的海洋温度锋面智能检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110298280A (zh) * 2019-06-20 2019-10-01 上海海洋大学 一种基于mkl多特征融合的海洋涡旋识别方法
CN111767827A (zh) * 2020-06-28 2020-10-13 中国人民解放军国防科技大学 一种基于深度学习的中尺度涡旋识别方法
CN113343822A (zh) * 2021-05-31 2021-09-03 合肥工业大学 一种基于3d卷积的光场显著性目标检测方法
CN113420440A (zh) * 2021-06-22 2021-09-21 中国海洋大学 一种基于海洋垂直结构的涡旋识别方法
CN115331083A (zh) * 2022-10-13 2022-11-11 齐鲁工业大学 基于逐步密集特征融合去雨网络的图像去雨方法及系统
CN115690602A (zh) * 2022-11-04 2023-02-03 中国人民解放军91001部队 一种中尺度涡识别方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109872328B (zh) * 2019-01-25 2021-05-07 腾讯科技（深圳）有限公司 一种脑部图像分割方法、装置和存储介质
EP4092572A1 (en) * 2021-05-20 2022-11-23 Wooptix S.L. Method for depth estimation for a variable focus camera

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110298280A (zh) * 2019-06-20 2019-10-01 上海海洋大学 一种基于mkl多特征融合的海洋涡旋识别方法
CN111767827A (zh) * 2020-06-28 2020-10-13 中国人民解放军国防科技大学 一种基于深度学习的中尺度涡旋识别方法
CN113343822A (zh) * 2021-05-31 2021-09-03 合肥工业大学 一种基于3d卷积的光场显著性目标检测方法
CN113420440A (zh) * 2021-06-22 2021-09-21 中国海洋大学 一种基于海洋垂直结构的涡旋识别方法
CN115331083A (zh) * 2022-10-13 2022-11-11 齐鲁工业大学 基于逐步密集特征融合去雨网络的图像去雨方法及系统
CN115690602A (zh) * 2022-11-04 2023-02-03 中国人民解放军91001部队 一种中尺度涡识别方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Dilated Convolution based U-Net Architecture for Ocean Eddy Detection;Shaik John Saida;IEEE;全文 *
基于深度学习的中尺度涡检测技术及其在声场中的应用;谢鹏飞;宋弢;徐丹亚;柴柏林;李忠伟;;海洋信息(第01期);全文 *
完全残差连接与多尺度特征融合遥感图像分割;张小娟;汪西莉;;遥感学报(第09期);全文 *
海洋涡旋自动探测几何方法、涡旋数据库及其应用;董昌明;蒋星亮;徐广;季巾淋;林夏艳;孙文金;王森;;海洋科学进展(第04期);全文 *

Also Published As

Publication number Publication date
CN116386027A (zh) 2023-07-04

Similar Documents

Publication Publication Date Title
CN108171701B (zh) 基于u网络和对抗学习的显著性检测方法
CN107832353B (zh) 一种社交媒体平台虚假信息识别方法
CN110728654B (zh) 一种基于深度残差神经网络的管道自动检测和分类方法
CN112561910B (zh) 一种基于多尺度特征融合的工业表面缺陷检测方法
CN108647585A (zh) 一种基于多尺度循环注意力网络的交通标识符检测方法
CN105701508B (zh) 基于多级卷积神经网络的全局‑局部优化模型及显著性检测算法
Chandio et al. Precise single-stage detector
CN116386027B (zh) 一种基于人工智能算法的海洋三维旋涡识别系统及方法
CN108491836B (zh) 一种自然场景图像中中文文本整体识别方法
CN112508079B (zh) 海洋锋面的精细化识别方法、系统、设备、终端及应用
CN113642390A (zh) 一种基于局部注意力网络的街景图像语义分割方法
CN110956222B (zh) 用于水下目标检测的检测网络的方法
CN113255837A (zh) 工业环境下基于改进的CenterNet网络目标检测方法
CN112488025A (zh) 基于多模态特征融合的双时相遥感影像语义变化检测方法
CN116758544B (zh) 一种基于图像处理的晶圆编码识别系统
CN113221740A (zh) 一种农田边界识别方法及系统
CN113658200A (zh) 基于自适应特征融合的边缘感知图像语义分割方法
CN115953386A (zh) 一种基于MSTA-YOLOv5的轻量化齿轮表面缺陷检测方法
CN117726954A (zh) 一种遥感图像海陆分割方法及系统
CN112418229A (zh) 一种基于深度学习的无人船海上场景图像实时分割方法
CN116630286B (zh) 一种图像异常检测与定位的方法、装置、设备及存储介质
Cho et al. Modified perceptual cycle generative adversarial network-based image enhancement for improving accuracy of low light image segmentation
CN117036899A (zh) 基于改进Yolov7模型的废弃塑料瓶颜色分类方法
CN116825120A (zh) 一种基于沙漏模型的气体泄漏声信号降噪方法及系统
CN116188352A (zh) 一种基于增强边缘特征的肺结节分割方法

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