一种浒苔检测方法和装置的制造方法
【技术领域】
[0001] 本发明设及海洋遥感识别技术领域，具体而言，设及一种基于卷积神经网络的稱 苔检测方法和装置。
【背景技术】
[0002] 绿潮是在特定的环境条件下，海水中某些大型绿藻（如稱苔）爆发性增殖或高度 聚集而引起水体变色的一种有害生态现象。其中，绿潮可导致海洋灾害，当海流将大量绿潮 藻类卷到海岸时，绿潮藻体腐败产生有害气体，破坏海岸景观，对潮间带生态系统也可能导 致损害。我国自2008至2012年，中国黄海海域连续5年在夏季发生绿潮灾害。因此，为了 更好的确定绿潮发生的过程，并对绿潮达到预防、治理进而达到合理利用绿潮的目的，对引 发绿潮的稱苔类藻类进行检测是目前亟待解决的问题。
[0003] 相关技术中对稱苔进行检测的方法具体如下：首先对绿潮信息进行提取，然后专 家人员根据上述提取的大量的数据样本设计数据样本对应的数据特征值，然后人工对上述 数据特征值进行计算，并根据计算结果设定上述数据特征值阔值，最后在利用上述数据特 征值及对应的阔值人工对待检测数据进行识别和分类，用W检测提取的待检测绿潮信息是 否为稱苔。
[0004] 但是，传统的稱苔检测方法都是人工对样本特征值和上述特征值对应的阔值进行 设定，运对设计人员的知识、能力和经验要求较高，并且人工设计针对不同的数据源、不同 的目标具有较大的局限性（体现在由于卫星成像色调偏差、环境变化、天气因素等影响，而 使得人工设计的特征无法表述所有情况），从而使得人工设定的特征值和阔值的精确度较 差；并且，卫星采集的海洋遥感数据处理量巨大，多为海量数据，运给人工交互增加了繁重 的工作量。
[0005] 发明人在研究中发现，相关技术中的稱苔检测方法存在样本特征和阔值设定不准 确，人工工作量大等缺陷，针对稱苔检测的问题，目前尚未提出有效解决方法。
【发明内容】
[0006] 本发明的目的在于提供一种稱苔检测方法和装置，采用卷积神经网络对大量的数 据进行自动计算得到超高维特征，降低了人员参与度，具有较高的鲁棒性；并且解决了环 境、卫星本身等多因素的影响问题，大幅降低了人工工作量，提升了识别效果。
[0007] 第一方面，本发明实施例提供了一种稱苔检测方法，其特征在于，包括：
[0008] 采用深度学习方法对选取的样本数据进行模型设计，得到预设卷积神经网络模 型；所述预设卷积神经网络模型包括：输入数据层、标签层、卷积层、池化层、全连接层和 softmax层；
[0009] 对得到的所述预设卷积神经网络模型进行多次迭代训练，并在所述预设卷积神经 网络模型的精度达到预设阔值时确定为实际应用的卷积神经网络模型；
[0010] 根据确定的所述卷积神经网络模型对采集的待检测区域的绿潮信息进行检测，输 出所述绿潮信息是否为稱苔的检测结果。
[0011] 结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所 述对得到的所述预设卷积神经网络模型进行多次迭代训练，并在所述预设卷积神经网络模 型的精度达到预设阔值时确定为实际应用的卷积神经网络模型包括：
[0012] 计算所述预设卷积神经网络模型中每一层的神经元的值χ?=f(ui)，ui= 1+bi，直至得到最后一层的神经元的值；其中，X代表神经元的值，1代表预设卷积神经 网络模型中的层数，f代表激活函数，U代表当前层的一个神经元的输入;W代表权重，1-1 代表当前层的上一层，b代表偏置；
[0013] 根据所述最后一层的神经元的值与最后一层的标签，计算所述预设卷积神经网络 模型的误差
其中，E表示误差，C代表两 类，k表示每一类的序号，η代表序号的总数；
[0014] 在所述预设卷积神经网络模型的误差符合预设误差阔值时，确定对应的预设卷积 神经网络模型为实际应用的卷积神经网络模型。
[0015] 结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第二种 可能的实施方式，其中，所述在所述预设卷积神经网络模型的误差符合预设误差阔值时，确 定对应的预设卷积神经网络模型为实际应用的卷积神经网络模型包括：
[0016] 采用梯度下降法对所述预设卷积神经网络模型中的权重系数进行优化
其中，W表示权重，t代表优化的当前次数，巧E/3W代表 误差倒数，η表示学习速率；
[0017] 将优化结果在最优点时对应权重值进行保存并作为预设卷积神经网络模型的权 重系数，得到实际应用的卷积神经网络模型。
[0018] 结合第一方面的第二种可能的实施方式，本发明实施例提供了第一方面的第Ξ种 可能的实施方式，其中，所述根据确定的所述卷积神经网络模型对采集的待检测区域的绿 潮信息进行检测，输出所述绿潮信息是否为稱苔的检测结果，包括：
[0019] 设定确定的所述卷积神经网络模型的识别步长；
[0020] 在采集的绿潮信息中获取每一个识别步长对应的图像数据；
[0021] 对每一个所述图像数据进行前馈计算，输出所有图像数据对应的绿潮信息是否为 稱苔的检测结果。
[0022] 结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，在 采用深度学习方法对选取的样本数据进行模型设计之前，还包括：
[0023] 利用植被指数计算方法，提取含有稱苔的图像数据和不含有稱苔的图像数据作为 样本数据；
[0024] 对提取的所述样本数据进行预处理，所述预处理至少包括W下处理方法中的一种 或多种：添加噪声、增强样本数据和增加训练数据量。
[0025] 结合第一方面的第Ξ种可能的实施方式或第四种可能的实施方式，本发明实施例 提供了第一方面的第五种可能的实施方式，其中，所述根据确定的所述卷积神经网络模型 对采集的待检测区域的绿潮信息进行检测之前，还包括：
[0026] 导入卫星采集的遥感影像，提取所述遥感影像中预设波段的绿潮信息对应的图像 数据；
[0027] 按照预设的数据块大小对提取的所述图像数据进行裁剪处理，得到预设数据块大 小的图像数据。
[0028] 结合第一方面的第五种可能的实施方式，本发明实施例提供了第一方面的第六种 可能的实施方式，其中，所述方法还包括：
[0029] 在完成每一个所述遥感影像的识别后，根据识别结果生成离散点标注；对离散点 标注进行矢量化处理；所述矢量化处理包括W下处理方法中的一种或多种：位置获取、面 积计算和专题制图。
[0030] 结合第一方面的第六种可能的实施方式，本发明实施例提供了第一方面的第屯种 可能的实施方式，其中，所述方法还包括：
[0031] 在人机交互界面提供对稱苔检测结果的监控：接收用户发送的检测稱苔检测结果 是否正常的监控指令，在所述稱苔检测结果存在误判或漏判时，提示用户对所述稱苔检测 结果进行人工交互处理。
[0032] 第二方面，本发明实施例还提供了一种稱苔检测装置，其特征在于，包括：
[0033] 模型设计单元，用于采用深度学习方法对选取的样本数据进行模型设计，得到预 设卷积神经网络模型；所述预设卷积神经网络模型包括：输入数据层、标签层、卷积层、池 化层、全连接层和softmax层；
[0034] 迭代训练单元，用于对所述模型设计单元设计得到的所述预设卷积神经网络模型 进行多次迭代训练，并在所述预设卷积神经网络模型的精度达到预设阔值时确定为实际应 用的卷积神经网络模型；
[0035] 检测单元，用于根据所述迭代训练单元确定的所述卷积神经网络模型对采集的待 检测区域的绿潮信息进行检测，输出所述绿潮信息是否为稱苔的检测结果。
[0036] 结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中，所 述迭代训练单元包括：
[0037] 第一计算子单元，用于计算所述预设卷积神经网络模型中每一层的神经元的值 =f(ui)，ui=WVi+bi，直至得到最后一层的神经元的值；其中，X代表神经元的值，1代表 预设卷积神经网络模型中的层数，f代表激活函数，U代表当前层的一个神经元的输入;W代 表权重，1-1代表当前层的上一层，b代表偏置；
[0038] 第二计算子单元，用于根据所述第一计算子单元计算得到的最后一 层的神经元的值与最后一层的标签，计算所述预设卷积神经网络模型的误差
其中，E表示误差，C代表两类，k表示每 一类的序号，η代表序号的总数；
[0039] 确定子单元，用于在所述预设卷积神经网络模型的误差符合预设误差阔值时，确 定对应的预设卷积神经网络模型为实际应用的卷积神经网络模型