基于自扩展卷积神经网络的原油油膜绝对厚度反演方法与流程
本发明涉及海洋探测领域，特别地涉及一种基于自扩展卷积神经网络的原油油膜绝对厚度反演方法。
背景技术：
溢油是海洋石油勘探、开发、运输过程中，造成油品外泄而形成的海上突发事件，已被美国科学院列为2030年前待解决的32个科学问题之一。近年来，海上溢油灾害频发，严重影响海洋生态环境与海洋资源的可持续发展。海面溢油量是评价海上溢油事故威胁程度和确定溢油事故等级的重要指标，也是污染赔偿追责的重要依据，同时对于现场溢油应急处置和科学决策也有重要作用。
溢油面积、油膜厚度与溢油密度的准确获得是评估溢油量的基础。其中，溢油密度的变化相对稳定，随着遥感技术的发展，溢油面积的确定也不再是难题，故油膜绝对厚度的估算成为当下研究的国际热点与难题。目前的海洋溢油厚度监测工作，主要是基于航空真彩色照片目视解译的方法，评定采用的标准是国际海事组织认可的bonn协议。该协议给出了油膜颜色与厚度的定性关系，如油膜外观特征表现为银灰色时，其对应的厚度为0.02-0.05μm。该方法存在的主要问题是目视鉴别不同颜色油膜的工作受主观因素和环境因素影响较大，此外，bonn协议针对大于100μm的厚油膜无法进行精细的区分，从而导致溢油估算量不够精确。
近年来，随着高光谱传感器技术的发展，使得定量反演海面油膜绝对厚度具有技术可能；现阶段原油油膜绝对厚度观测实验数据大多是在可控试验下获取的，且实验数据量有限，而油膜绝对厚度的反演需要大量数据的支持。
综上所述，现有技术中反演油膜绝对厚度的方法，由于获取实验数据的难度较大，从而导致油膜的绝对厚度的测量精度较低。因此，迫切需要一种能够提高油膜绝对厚度的测量精度的方法。
技术实现要素：
有鉴于此，本发明提供一种基于自扩展卷积神经网络的原油油膜绝对厚度反演方法，以解决现有技术中测量油膜绝对厚度的方法限于实验数据量不足而导致测量精度较低的问题。
为达上述目的，本发明提供的一种基于自扩展卷积神经网络的原油油膜绝对厚度反演方法的技术方案是：
一种基于自扩展卷积神经网络的原油油膜绝对厚度反演方法，所述反演方法包括：
对实测光谱数据进行筛选得到真实光谱特征数据；
将所述真实光谱特征数据输入对抗生成网络，生成自扩展样本数据；
利用卷积神经网络对所述自扩展样本数据进行特征提取，进而对原油油膜绝对厚度进行反演。
优选地，所述对实测光谱数据进行筛选得到真实光谱特征数据的方法包括：
利用光谱特征筛选器按预设光谱特征区间对所述实测光谱数据进行筛选，得到所述真实光谱特征数据。
优选地，所述预设光谱特征区间通过基于光谱标准差阈值的油膜特征光谱分析提取方法得到。
优选地，所述预设光谱特征区间包括1200nm至1350nm、1500nm至1700nm、2050nm至2200nm。
优选地，所述对抗生成网络包括生成网络和判别网络，所述生成网络用于学习所述真实光谱特征数据的样本分布，并生成仿真光谱特征数据，所述判别网络用于判别输入的光谱特征数据的真实性，所述输入的光谱特征数据包括真实光谱特征数据和所述生成网络生成的仿真光谱特征数据。
优选地，所述对抗生成网络的训练过程包括：
训练所述判别网络，以使得当所述判别网络的输入为真实光谱特征数据时所述判别网络的输出值趋向于1，以及当所述判别网络的输入为仿真光谱特征数据时所述判别网络的输出值趋向于0；
训练所述生成网络，以使得当所述生成网络的输入为随机噪声时，其生成的仿真光谱特征数据输入所述判别网络的输出结果趋向于1；
按上述方式对所述判别网络和所述生成网络进行训练直至达到纳什平衡点。
优选地，对生成的所述自扩展样本数据进行去噪处理后再输入所述卷积神经网络以进行特征提取。
优选地，采用5阶巴特沃斯低通滤波器进行所述去噪处理。
优选地，所述卷积神经网络包括一维卷基层、一维池化层和全连接层。
优选地，所述原油油膜为海面原油油膜。
本发明提供的基于自扩展卷积神经网络的原油油膜绝对厚度反演方法的有益效果为：
1、对实测光谱输进行筛选得到真实光谱特征数据，去除了可分性较差的波段，从而更有利于精确定量反演原油油膜厚度；
2、利用对抗生成网络对数据进行扩展，从而只需少量实测数据便可基于模型生成大量高仿数据，从而丰富模型泛化性以及增强模型鲁棒性；
3、利用卷积神经网络的卷积过程能够充分学习光谱信息，避免了信息量的损失，从而提高原油油膜绝对厚度的反演精度；
4、利用卷积神经网络，基于一维卷积与池化过程，提取光谱特征数据中的特征信息，对比油膜绝对厚度标签进行超参数调优，使其对于绝对厚度的映射效果达到最佳，从而反演原油油膜的绝对厚度。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是本发明具体实施例提供的基于自扩展卷积神经网络的海面原油油膜绝对厚度反演方法的流程图；
图2是本发明具体实施例提供的海面油膜绝对厚度反演方法中确定的光谱特征区间示意图；
图3是本发明具体实施例中的原始光谱特征数据示意图；
图4是本发明具体实施例的生成样本数据示意图；
图5是本发明具体实施提供的基于自扩展卷积神经网络的海面原油油膜绝对厚度反演的精度实验的结果图；
图6是本发明具体实施提供的基于自扩展卷积神经网络的海面原油油膜绝对厚度反演的稳定性实验的结果图；
图7本发明具体实施例提供的油膜绝对厚度反演的模型结构示意图。
具体实施方式
下面结合实施例对本发明作进一步说明。
针对现有技术中测量油膜绝对厚度的方法限于实验数据量不足、精度较低的问题，本实施例提供了一种基于自扩展卷积神经网络的原油油膜绝对厚度反演方法，尤其是对于海面原油油膜绝对厚度反演方法，如图1所示，其包括如下步骤：
s100、对实测光谱数据进行筛选得到真实光谱特征数据；
s200、将所述真实光谱特征数据输入对抗生成网络，生成自扩展样本数据；
s300、利用卷积神经网络对所述自扩展样本数据进行特征提取，进而对海面原油油膜绝对厚度进行反演。
本发明提供的基于自扩展卷积神经网络的海面原油油膜绝对厚度反演方法能够获得如下有益效果：
对实测光谱输进行筛选得到真实光谱特征数据，去除了可分性较差的波段，从而更有利于精确定量反演原油油膜厚度；
利用对抗生成网络对数据进行扩展，从而只需少量实测数据便可基于模型生成大量高仿数据，从而丰富模型泛化性以及增强模型鲁棒性；
利用卷积神经网络的卷积过程能够充分学习光谱信息，避免了信息量的损失，从而提高原油油膜绝对厚度的反演精度；
利用卷积神经网络，基于一维卷积与池化过程，提取光谱特征数据中的特征信息，对比油膜绝对厚度标签进行超参数调优，使其对于绝对厚度的映射效果达到最佳，从而反演原油油膜的绝对厚度。
在s100中，油膜的光谱特征数据可以是遥感卫星通过光谱仪采集到的油膜的光谱特征数据，优选为高光谱传感技术获取到的高光谱特征数据。高光谱遥感起源于20世纪70年代初的多光谱遥感，它将成像技术与光谱技术结合在一起，在对目标的空间特征成像的同时，对每个空间像元经过色散形成几十乃至几百个窄波段以进行连续的光谱覆盖，这样形成的遥感数据可以用“图像立方体”来形象的描述。同传统遥感技术相比，其所获取的图像包含丰富的空间、辐射和光谱三重信息。
高光谱遥感成像技术具有如下特点：波段多，可以为每个像元提供十几、数百甚至上千个波段；光谱范围窄，波段范围一般小于10nm；波段连续，有些传感器可以在350～2500nm的太阳光谱范围内提供几乎连续的地物光谱；数据量大，随着波段数的增加，数据量成指数增加；信息冗余增加，由于相邻波段高度相关，冗余信息也相对增加。因而，采用高光谱特征数据，可以进一步提高油膜的绝对厚度的测量精度。
由于本申请获取的高光谱数据的数据量较大，存在较大冗余性，且部分波段范围内不同厚度光谱数据的可分性较差，不利于精确定量反演原油油膜厚度，因此，在步骤s100中，对实测光谱数据进行筛选。在一个实施例中，参考图7，对实测光谱数据进行筛选得到真实光谱特征数据的方法包括：
利用光谱特征筛选器(即图中的spectralselector)按预设光谱特征区间对所述实测光谱数据进行筛选，得到所述真实光谱特征数据。
具体地，首先对获取的不同实验组的高光谱数据进行取平均处理，进而基于光谱特征筛选器对不同厚度油膜的可分性区间进行筛选。优选地，其中的预设光谱特征区间通过基于光谱标准差阈值的油膜特征光谱分析提取方法得到，也即光谱特征筛选器基于光谱标准差阈值的油膜特征光谱分析提取方法构建而成。具体地，若在光谱λ波段满足下述公式(1)，则该波段λ为具有较好光谱可分性的波段，计算获取所有符合下述公式条件的波段形成的光谱特征区间即为所述的预设光谱特征区间。
其中，λ代表波段，μ代表比例参数，stdev(σλ,i)代表i组油膜遥感反射率的标准差，stdev(σλ,i)代表j组油膜遥感反射率的标准差，
本实施例中，根据筛选器的筛选结果，综合考虑不同油膜厚度间的光谱可分性以及之后模型的计算量，确定的预设光谱特征区间包括1200nm至1350nm、1500nm至1700nm、2050nm至2200nm。本实施例确定的光谱特征区间如图2所示，阴影部分即为确定的光谱特征区间。
在s200中，利用对抗生成网络进行样本扩展，参考图7，所述对抗生成网络(gan)包括生成网络(即图中的g)和判别网络(即图中的d)，所述生成网络用于学习所述真实光谱特征数据的样本分布，并生成仿真光谱特征数据，所述判别网络用于判别输入的光谱特征数据的真实性，所述输入的光谱特征数据包括真实光谱特征数据和所述生成网络生成的仿真光谱特征数据。二者通过对抗训练使判别网络判别训练样本来源的概率最大化，同时使生成网络生成数据与真实数据的相似度最大化。
具体地，参照公式(2)，对抗生成网络的训练过程包括：
训练所述判别网络，以使得当所述判别网络的输入为真实光谱特征数据时所述判别网络的输出值趋向于1，以及当所述判别网络的输入为仿真光谱特征数据时所述判别网络的输出值趋向于0；
训练所述生成网络，以使得当所述生成网络的输入为随机噪声时，其生成的仿真光谱特征数据输入所述判别网络的输出结果趋向于1。
按上述方式对所述判别网络和所述生成网络进行训练直至达到纳什平衡点，即当且仅当pz＝pdata时，极大化极小化的双方博弈问题存在全局最优解，即达到纳什平衡点。
通过步骤s200，生成网络将随机高斯噪声伪装成高仿真的光谱信息，通过判别网络判断输入信息的真伪性，即二者构成动态的博弈，通过对抗的过程使判别网络对样本的判别能力不断上升，生成网络的样本伪造能力也随之不断上升，最终达到纳什均衡点，生成能够“以假乱真”的光谱特征数据，从而达到扩充训练样本、增强模型鲁棒性的目的。
借助对抗生成网络，本发明提供的样本扩展方法只需要少量实测数据便可生成大量高仿真数据，从而丰富模型泛化性；能够充分学习光谱特征区间内的高光谱信息，避免了信息量的损失，从而有助于提高油油膜绝对厚度的反演精度。
由于生成的自扩展样本数据抖动性较大，优选地，本申请中，对生成的所述自扩展样本数据进行去噪处理后再输入所述卷积神经网络以进行特征提取。进一步优选地，参照图7，可以通过5阶巴特沃斯低通滤波器(即图中的butterworthfilter)对虚拟光谱特征数据进行平滑去噪处理。
步骤s300中，卷积神经网络通过从不同厚度的油膜的光谱特征信息中提取特征信息，构建油膜的绝对厚度与油膜的光谱特征数据之间的映射关系，由此可以通过油膜的特征光谱数据反演获得油膜的绝对厚度。其中，参照图7，卷积神经网络包括一维卷基层、一维池化层和全连接层，具体地，包括第一卷基层、第一池化层、第二卷基层、第二池化层、全连接层。其中，一维卷积层，具有较强的多层次特征表达能力与非线性数据拟合能力，用于从输入的油膜的光谱特征数据中提取特征信息，执行的操作可以用如下公式(3)表征：
其中，hi,j代表第i个卷积层的第j个输出特征图，m代表第i个卷积层特征图的个数，wi,mj代表权重，bi,j代表偏执量，g(·)代表激活函数。
一维池化层为一维最大池化，每个池化层都对应n*1范围内的卷积层感受野，执行如下公式(4)所表征的操作：
其中，max()代表一维最大池化函数，u(n,1)是卷积层的窗口函数，aj是邻域内的最大值。
通过一维卷积的方式，提取不同厚度油膜对应的光谱特征数据的特征信息，构建油膜绝对厚度与光谱特征信息的映射关系，基于一维卷积与池化过程，对比油膜绝对厚度标签进行超参数调优，使其对于绝对厚度的映射效果达到最佳，从而反演原油油膜的绝对厚度。
利用卷积神经网络进行厚度反演可以包括以下步骤：
将光谱特征数据输入第一卷积层，获得光谱特征数据对应的第一特征信息；
将第一特征信息输入第一池化层，获得降维后的第一特征信息。通过池化层降低第一特征信息的维度，可以降低模型的复杂性，避免第一特征信息中存在较多的冗余样本信息，从而降低了过拟合的风险，并增强了模型的鲁棒性；
将降维后的第一特征信息输入第二卷积层，获得第二特征信息。在本实施例中，第二卷积层用于对降维后的第一特征信息进一步的筛选，从而获得第二特征信息；
将第二特征信息输入第二池化层，获得降维后的第二特征信息，为了进一步降低模型的复杂性，剔除冗余信息；
将降维后的第二特征信息输入全连接层，获得预测标签；
基于预测标签，确定油膜的绝对厚度。
下面对本申请提供的反演方法进行总体介绍，如图7所示，油膜绝对厚度反演的模型(下称og-cnn模型)包括样本扩展模块和厚度反演模块，其中，样本扩展模块包括光谱特征筛选器(即图中的spectralselector)、目标生成对抗网络(gan)和滤波器(即图中的butterworthfilter)，其中，目标生成对抗网络包括生成网络(即图中的g)和对抗网络(即图中的d)，厚度反演模块包括卷积神经网络。首先通过光谱特征筛选器筛选光谱特征区间，然后利用目标生成对抗网络对光谱特征数据进行样本扩充，最后利用滤波器例如5阶巴特沃斯低通滤波器对生成的训练样本进行去噪。将去噪后的训练样本作为卷积神经网络的输入，对样本进行特征提取，构建油膜的绝对厚度与油膜的光谱特征数据之间的映射关系，从而实现对海面原油油膜绝对厚度的反演。
图3示出了真实光谱特征信息，图4则示出了仿真光谱特征数据，通过对比可知，本实施例生成的仿真光谱特征数据与真实光谱特征数据之间的相似度极高。
为了验证本发明提供的反演方法的精度，选用平均相对误差作为og-cnn模型损失函数与反演结果的评价指标，选用平均差作为og-cnn模型稳定性的评价指标。采用本申请提供的方法进行样本数据扩展，分别生成0-1000条光谱特征数据，原始光谱特征数据如图3所示，生成的样本数据如图4所示。当训练样本的数量扩展到0-1000条时，分别对og-cnn模型输出的反演结果进行了验证，如表1所示。
表1og-cnn模型的反演精度
如图5所示，在一定范围内，og-cnn模型的反演精度随着自扩展样本数量的增加整体呈现上升趋势，当样本数量为800时，反演精度达到峰值96.80％，后呈现下降趋势。相比于样本自扩展前，反演精度提高了2.03％，表现出较为优秀的反演能力；如图6所示，随着样本数量的增加，og-cnn模型的整体稳定性会受到一定影响，在样本数量达到1000时，反演结果的平均差仅为±0.19％，模型表现出较为理想的稳定性。
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)或随机存储记忆体(randomaccessmemory，ram)等。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
- 还没有人留言评论。精彩留言会获得点赞！