技术领域
[0001] 本
发明属于水面油膜遥感技术领域,涉及一种基于卷积神经网络的水上油膜相对厚度提取方法及系统。
背景技术
[0002] 目前石油是重要的
能源之一,带动着各国经济的发展。在丝绸之路经济带成功开通的大背景下,中国石油迎来了发展的良好契机,与跨国石油公司的合作渠道、合作模式呈多元化、多样化发展。而石油的运输绝大部分通过
船舶运输,从而极大的增大了船舶
溢油事故发生的
风险。溢油事故一旦发生,实时掌握溢油的分布信息对后续溢油的处理极其重要,能有效地减少溢油事故对海洋环境的影响。
[0003] 目前利用遥感工具进行溢油监测是一种有效的手段,包括雷达
传感器、激光传感器以及多
光谱传感器;在上述手段中,雷达传感器获得的数据不利于解译且易受到“假目标”干扰,激光传感器成本较高,同时易受到环境因素的影响,多光谱传感器不具备获取地物连续光谱信息的能
力,会出现“同谱异物”情况;而高光谱传感器一次性能获得范围广、具有连续地物波谱以及抗干扰性强的数据,在溢油监测方面具有一定的优势,并且高光谱影像因为其高的光谱
分辨率可为环境监测中目标识别提供多维特征,同时随着传感器技术的发展,高光谱图像的空间分辨率也得到了提升。所以,建立一种基于卷积神经网络的水上油膜相对厚度提取方法及系统,对于海洋环境的保障、溢油事故的应急处置具有重要的意义。
发明内容
[0004] 鉴于已有技术存在的
缺陷,本发明的目的是要提供一种基于卷积神经网络的水上油膜相对厚度提取方法及系统,该方法构建适用于高光谱数据的卷积神经网络结构,通过拟合高光谱图像信息,实现水上油膜厚度信息的有效提取,并且通过建立高光谱图像水上溢油相对厚度识别系统,能够及时显示大范围的水上溢油厚度信息,促进高光谱遥感溢油识别向快速化、智能化、系统化方向发展。
[0005] 本发明采用的技术手段如下:
[0006] 一种基于卷积神经网络的水上油膜相对厚度提取方法,具有如下步骤:
[0007] S1、预先采集高光谱数据,作为预处理数据;
[0008] S2、从预处理数据中选取训练样本,将训练样本输入卷积神经网络,对卷积神经网络进行训练,提高卷积神经网络的
精度(即AUC的值不再增加),在卷积神经网络的精度未达到要求之前重复步骤S2,直至精度达到要求,完成卷积神经网络训练过程;
[0009] S3、将预处理数据中待检测数据输入卷积神经网络,完成待检测数据的处理过程,输出结果;
[0010] S4、对输出结果进行评价,分析输出结果的准确性;
[0011] S5、实时显示步骤S3得到的输出结果和步骤S4得到的评价结果。
[0012] 所述步骤S1中,是通过星载/机载的高光谱仪器预先采集高光谱数据;
[0013] 所述卷积神经网络包括依次连接的第一卷积层、第二卷积层、第一
池化层、第三卷积层、第四卷积层、第二池化层和全链层,还包括
输出层和精度计算模
块;
[0014] 所述第一卷积层、所述第二卷积层、所述第三卷积层、所述第四卷积层中分别进行卷积操作;
[0015] 所述第一池化层和所述第二池化层中分别进行y个卷积池化操作,所述卷积池化中包括x个卷积操作和一个池化操作;
[0016] 所述全链层中进行全链接操作;
[0017] 所述卷积操作和所述全链接操作采用ReLU激活函数;
[0018] 所述池化操作和所述全链接操作采用Dropout机制。
[0019] 所述步骤S2中,对所述卷积神经网络进行训练具体步骤如下:
[0020] 训练样本依次经过第一卷积层、第二卷积层、第一池化层、第三卷积层、第四卷积层、第二池化层和全链层,并通过输出层输出结果,输出结果经精度计算模块判断是否达到精度要求;
[0021] 对所述卷积神经网络进行训练采用交叉熵作为损失函数,采用Adadelta
算法优化模型。
[0022] 所述步骤S3中,待检测数据的处理过程具体步骤如下:
[0023] 待检测数据依次经过第一卷积层、第二卷积层、第一池化层、第三卷积层、第四卷积层、第二池化层和全链层,并通过输出层输出结果。
[0024] 所述步骤S4中,采用ROC曲线与AUC面积对输出结果进行评价;
[0025] ROC曲线中纵坐标的值为:TP/(TP+FN),横坐标的值为:FP/(TN+FP);
[0026] AUC面积为ROC曲线下的面积,若AUC面积越大,则输出结果性能越优。
[0027] 受试者工作特征曲线(receiver operating characteristic curve),简称ROC曲线,ROC曲线中纵坐标的值为:TP/(TP+FN),横坐标的值为:FP/(TN+FP),根据二分类混淆矩阵获得曲线下面积(Area under curve),简称AUC,AUC为ROC曲线下的面积,若AUC面积越大,该模型的性能越优。
[0028] 二分类混淆矩阵:
[0029]
[0030] 本发明还公开了一种基于卷积神经网络的水上油膜相对厚度提取系统,包括:
[0031] 高光谱数据输入单元,被配置为预先采集作为预处理数据的高光谱数据,并将预处理数据传输给卷积神经网络处理单元;
[0032] 所述卷积神经网络处理单元,被配置为可通过预处理数据中选取的训练样本进行训练以提高其精度,在精度达到要求时,对预处理数据中待检测数据进行处理,输出结果;
[0033] 结果评价单元,与所述卷积神经网络处理单元连接,且被配置为对输出结果进行评价,分析输出结果的准确性;
[0034] 显示单元,分别与所述卷积神经网络处理单元和所述结果评价单元连接,且被配置于实时显示输出结果和评价结果。
[0035] 所述高光谱数据输入单元为星载/机载的高光谱仪器;
[0036] 所述卷积神经网络处理单元包括依次连接的第一卷积层模块、第二卷积层模块、第一池化层模块、第三卷积层模块、第四卷积层模块、第二池化层模块和全链层模块,还包括输出层模块和精度计算模块;
[0037] 所述第一卷积层模块、所述第二卷积层模块、所述第三卷积层模块、所述第四卷积层模块中分别进行卷积操作;
[0038] 所述第一池化层模块和所述第二池化层模块中分别进行y个卷积池化操作,所述卷积池化中包括x个卷积操作和一个池化操作;
[0039] 所述全链层模块中进行全链接操作;
[0040] 所述卷积操作和所述全链接操作采用ReLU激活函数;
[0041] 所述池化操作和所述全链接操作采用Dropout机制;
[0042] 所述结果评价单元采用ROC曲线与AUC面积对输出结果进行评价;
[0043] ROC曲线中纵坐标的值为:TP/(TP+FN),横坐标的值为:FP/(TN+FP);
[0044] AUC面积为ROC曲线下的面积,若AUC面积越大,则输出结果性能越优。
[0045] 所述卷积神经网络处理单元进行训练时,训练样本依次经过第一卷积层模块、第二卷积层模块、第一池化层模块、第三卷积层模块、第四卷积层模块、第二池化层模块和全链层模块,并通过输出层模块输出结果,输出结果经精度计算模块判断是否达到精度要求;
[0046] 对所述卷积神经网络进行训练采用交叉熵作为损失函数,采用Adadelta算法优化模型。
[0047] 所述卷积神经网络处理单元对预处理数据中待检测数据进行处理时,待检测数据依次经过第一卷积层模块、第二卷积层模块、第一池化层模块、第三卷积层模块、第四卷积层模块、第二池化层模块和全链层模块,并通过输出层模块输出结果。
[0048] 本发明的工作原理如下:
[0049] A、本发明首先需要获取高光谱数据,形成预处理数据;
[0050] B、其次将训练样本依次经过第一卷积层、第二卷积层、第一池化层、第三卷积层、第四卷积层、第二池化层和全链层,并通过输出层输出结果,输出结果经精度计算模块判断是否达到精度要求;对所述卷积神经网络进行训练采用交叉熵作为损失函数,采用Adadelta算法优化模型;待所述卷积神经网络的精度达到要求后,待检测数据依次经过第一卷积层、第二卷积层、第一池化层、第三卷积层、第四卷积层、第二池化层和全链层,并通过输出层输出结果。所述第一卷积层、所述第二卷积层、所述第三卷积层、所述第四卷积层中分别进行卷积操作;所述第一池化层和所述第二池化层中分别进行y个卷积池化操作,所述卷积池化中包括x个卷积操作和一个池化操作;所述全链层中进行全链接操作;所述卷积操作和所述全链接操作采用ReLU激活函数;所述池化操作和所述全链接操作采用Dropout机制。
[0051] 第一卷积层Conv1-1、第二卷积层Conv1-2、第一池化层Pool1、第三卷积层Conv2-1、第四卷积层Conv2-2、第二池化层模块Pool2和全链层模块FC的具体参数如下表所示:
[0052]
[0053] C、采用ROC曲线与AUC面积对输出结果进行评价;ROC曲线中纵坐标的值为:TP/(TP+FN),横坐标的值为:FP/(TN+FP);AUC面积为ROC曲线下的面积,若AUC面积越大,则输出结果性能越优。
[0054] D、实时显示处理结果和评价结果。
[0055] 与
现有技术相比,本发明的有益效果是:
[0056] 本发明提出一种基于卷积神经网络的水上油膜相对厚度提取方法及系统,采用卷积神经网络模型对遥感影像数据进行处理,能够很好的拟合图像信息,具有很好的分类精确性和泛化能力,并且能够较好的拟合不同油膜厚度的信息,为实现高光谱遥感大范围分析溢油厚度提供了可靠的技术
支撑。
[0057] 基于上述理由本发明可在水面油膜遥感技术等领域广泛推广。
附图说明
[0058] 为了更清楚地说明本发明
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做以简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
[0059] 图1是本发明的具体实施方式中一种基于卷积神经网络的水上油膜相对厚度提取系统连接示意图。
[0060] 图2是本发明的具体实施方式中待检测数据的处理过程
框图。
[0061] 图3是本发明的具体实施方式中ROC曲线与AUC面积图。
具体实施方式
[0062] 为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
[0063] 实施例1
[0064] 如图1-图3所示,一种基于卷积神经网络的水上油膜相对厚度提取方法,具有如下步骤:
[0065] S1、预先采集高光谱数据,作为预处理数据;
[0066] S2、从预处理数据中选取训练样本,将训练样本输入卷积神经网络,对卷积神经网络进行训练,提高卷积神经网络的精度,在卷积神经网络的精度未达到要求之前重复步骤S2,直至精度达到要求,完成卷积神经网络训练过程;
[0067] S3、将预处理数据中待检测数据输入卷积神经网络,完成待检测数据的处理过程,输出结果;
[0068] S4、对输出结果进行评价,分析输出结果的准确性;
[0069] S5、实时显示步骤S3得到的输出结果和步骤S4得到的评价结果。
[0070] 所述步骤S1中,是通过星载/机载的高光谱仪器预先采集高光谱数据;
[0071] 所述卷积神经网络包括依次连接的第一卷积层、第二卷积层、第一池化层、第三卷积层、第四卷积层、第二池化层和全链层,还包括输出层和精度计算模块;
[0072] 所述第一卷积层、所述第二卷积层、所述第三卷积层、所述第四卷积层中分别进行卷积操作;
[0073] 所述第一池化层和所述第二池化层中分别进行y个卷积池化操作,所述卷积池化中包括x个卷积操作和一个池化操作;
[0074] 所述全链层中进行全链接操作;
[0075] 所述卷积操作和所述全链接操作采用ReLU激活函数;
[0076] 所述池化操作和所述全链接操作采用Dropout机制。
[0077] 所述步骤S2中,对所述卷积神经网络进行训练具体步骤如下:
[0078] 训练样本依次经过第一卷积层、第二卷积层、第一池化层、第三卷积层、第四卷积层、第二池化层和全链层,并通过输出层输出结果,输出结果经精度计算模块判断是否达到精度要求;
[0079] 对所述卷积神经网络进行训练采用交叉熵作为损失函数,采用Adadelta算法优化模型。
[0080] 所述步骤S3中,待检测数据的处理过程具体步骤如下:
[0081] 待检测数据依次经过第一卷积层、第二卷积层、第一池化层、第三卷积层、第四卷积层、第二池化层和全链层,并通过输出层模块输出结果。
[0082] 所述步骤S4中,采用ROC曲线与AUC面积对输出结果进行评价;
[0083] ROC曲线中纵坐标的值为:TP/(TP+FN),横坐标的值为:FP/(TN+FP);
[0084] AUC面积为ROC曲线下的面积,若AUC面积越大,则输出结果性能越优。
[0085] 如图2所示,A1部分为第一卷积层和第二个卷积层;B1部分为第一池化层,进行y个卷积池化操作,卷积池化中包括x个卷积操作和一个池化操作;A2部分为第三卷积层和第四个卷积层;B2部分为第二池化层,进行y个卷积池化操作,卷积池化中包括x个卷积操作和一个池化操作;C部分为一个全链层,D部分为输出层。
[0086] 实施例2
[0087] 一种基于卷积神经网络的水上油膜相对厚度提取系统,包括:
[0088] 高光谱数据输入单元,被配置为预先采集作为预处理数据的高光谱数据,并将预处理数据传输给卷积神经网络处理单元;
[0089] 所述卷积神经网络处理单元,被配置为可通过预处理数据中选取的训练样本进行训练以提高其精度,在精度达到要求时,对预处理数据中待检测数据进行处理,输出结果;
[0090] 结果评价单元,与所述卷积神经网络处理单元连接,且被配置为对输出结果进行评价,分析输出结果的准确性;
[0091] 显示单元,分别与所述卷积神经网络处理单元和所述结果评价单元连接,且被配置于实时显示输出结果和评价结果。
[0092] 所述高光谱数据输入单元为星载/机载的高光谱仪器;
[0093] 所述卷积神经网络处理单元包括依次连接的第一卷积层模块、第二卷积层模块、第一池化层模块、第三卷积层模块、第四卷积层模块、第二池化层模块和全链层模块,还包括输出层模块和精度计算模块;
[0094] 所述第一卷积层模块、所述第二卷积层模块、所述第三卷积层模块、所述第四卷积层模块中分别进行卷积操作;
[0095] 所述第一池化层模块和所述第二池化层模块中分别进行y个卷积池化操作,所述卷积池化中包括x个卷积操作和一个池化操作;
[0096] 所述全链层模块中进行全链接操作;
[0097] 所述卷积操作和所述全链接操作采用ReLU激活函数;
[0098] 所述池化操作和所述全链接操作采用Dropout机制;
[0099] 所述结果评价单元采用ROC曲线与AUC面积对输出结果进行评价;
[0100] ROC曲线中纵坐标的值为:TP/(TP+FN),横坐标的值为:FP/(TN+FP);
[0101] AUC面积为ROC曲线下的面积,若AUC面积越大,则输出结果性能越优。
[0102] 所述卷积神经网络处理单元进行训练时,训练样本依次经过第一卷积层模块、第二卷积层模块、第一池化层模块、第三卷积层模块、第四卷积层模块、第二池化层模块和全链层模块,并通过输出层模块输出结果,输出结果经精度计算模块判断是否达到精度要求;
[0103] 对所述卷积神经网络进行训练采用交叉熵作为损失函数,采用Adadelta算法优化模型。
[0104] 所述卷积神经网络处理单元对预处理数据中待检测数据进行处理时,待检测数据依次经过第一卷积层模块、第二卷积层模块、第一池化层模块、第三卷积层模块、第四卷积层模块、第二池化层模块和全链层模块,并通过输出层模块输出结果。
[0105] 最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行
修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。