一种基于图像识别的深海悬浮颗粒物浓度预测方法技术

本发明专利技术提供了一种基于图像识别的深海悬浮颗粒物浓度预测方法，通过本发明专利技术的技术方案，将自然领域图像所发展的用于解决分类问题的网络应用到深海SPM图像，对模型进行了改进，即对最后输出层的激活函数以及损失函数进行了修改，使其适用于解决回归问题。本方法所选取的残差卷积神经网络（Resnet18），相较于其他深度学习特征提取网络，Resnet利用残差模块可使学习深度网络的难度大幅度降低，可以有效地解决深度学习训练过程中出现的梯度消失以及梯度爆炸导致模型训练失败的问题，解决本研究所关注的问题，模型在不断迭代的过程中可以有效的从图像中学习到SPM浓度信息。效的从图像中学习到SPM浓度信息。效的从图像中学习到SPM浓度信息。

【技术实现步骤摘要】
一种基于图像识别的深海悬浮颗粒物浓度预测方法


[0001]本专利技术涉及海洋观测
和海洋工程地质
，具体而言，特别涉及一种基于图像识别的深海悬浮颗粒物浓度预测方法。

技术介绍

[0002]深海悬浮颗粒物（Suspended Particulate Matter， SPM）是指悬浮在海洋水体中大小从粘土到砂砾不等的混合物，包括来自物理化学过程或生物过程的矿物质，生命或非生命的有机物质，在物质输运、沉积、再悬浮和底栖生物群落活动过程中起着重要作用。SPM浓度通常由光学/声学传感器间接测量，然而，将这些传感器的信号转换为SPM浓度存在很多不确定性，这将导致对测量结果的错误估计。一些研究者建议结合多种光学/声学传感器准确估计SPM浓度，但是由于缺乏相应的视频图像，对信号的解释属于主观推断。因此，准确理解SPM的长期动态变化，特别是在深海，仍然是一个挑战。
[0003]近年来基于计算机领域的发展，数字图像的生成、存储与计算处理有着很大的发展，图像识别技术不断向海洋领域应用。传统的图像识别技术旨在通过人为经验设计算法，提取出感兴趣的特征；新兴的图像识别技术基于深度学习技术（主要是卷积神经网络（CNNs）模型），通过网络的输入层、卷积层、池化层将图像转换成一个数字向量，即：图像的深度特征，利用全连接层将深度特征与图像对应的标签相关联，与传统的机器学习的不同之处在于不需要人为提取特征值，完全基于数据驱动，计算机自动学习。Ghorbani等（2020）通过实验室水槽实验建立了“图像
‑
SPM浓度”数据集，利用广义线性模型（Generalized Linear Machine，GLM）和分布式随机森林模型（DistributedRandom Forest，DRF）学习训练数据集上的模式，并在验证数据集上进行验证，结果表明，这两种经典的机器学习模型能够对SPM浓度进行可靠的预测，说明利用机器学习技术连续监测SPM浓度的可行性，为现场应用提供实践指南。
[0004]然而，深度学习技术（尤其是卷积神经网络技术）在海洋观测领域主要应用于海洋图像生物分类识别，对深海图像SPM浓度的识别领域研究空白，主要的原因在于监测技术有限，难以获取大量深海SPM视频图像，制约了该研究领域的进一步发展。本团队自主研发的深海海底边界层原位观测系统于2020年在中国南海水深1450 m处开展了原位长期观测，获取了大量深海SPM浓度视频图像，并同步监测了其它可表征SPM浓度的数据。这是世界范围内第一次对水深大于500 m的深水区进行SPM浓度原位长期监测，因此在获取大量深海SPM视频图像的基础上，探索深度学习技术对深海SPM浓度的识别具有重要的实际应用价值，对深度学习技术的应用具有一定的推动价值。

技术实现思路

[0005]本专利技术为解决当前深海SPM浓度测量存在不确定性的难题。现有SPM浓度通常由光学/声学传感器间接测量，然而，将这些传感器的信号转换为SPM浓度存在很多不确定性，这将导致对测量结果的错误估计。传统的图像处理技术通常旨在从图像自身特性（颜色特性、
运动特性、纹理特性等）中挖掘出用于表征SPM浓度的单一特征值，以表征SPM浓度，但该方法目前主要停留在实验室及近岸水体研究阶段，且现有研究提取的图像特征值不具有普适性。本专利技术解决问题的方法技术本质是为了充分利用大数据集，更深入挖掘图像信息，和现有技术相比，该专利技术具有广阔的实际应用价值及应用前景。为了弥补现有技术的不足，本专利技术提供了一种基于图像识别的深海悬浮颗粒物浓度预测方法。
[0006]本专利技术是通过如下技术方案实现的：一种基于图像识别的深海悬浮颗粒物浓度预测方法，对水深1450 m实际获取的观测数据进行多维度分析，实现视频图像对深海SPM浓度预测，其特征在于，具体包括以下步骤：步骤S1：采集深海SPM的视频图像信号，采集间接表征深海SPM浓度的光学后向散射信号和声学后向散射信号；将光学后向散射信号反演计算为实际深海SPM浓度，为“图像
‑
SPM浓度”卷积神经网络回归预测模型的建立提供原始标签；所述反演计算的步骤包括：对不同水深处获取的水样进行抽滤烘干称重计算得到离散、真实的SPM浓度，将该SPM浓度与浊度计在同一深度获取的光学后向散射信号进行线性拟合，得到SPM浓度反演公式，将该公式应用于仪器连续坐底观测获取的光学后向散射信号中，得到1450 m水深处SPM浓度时间序列；步骤S2：结合实际获取的深海视频图像，根据视频图像处理技术建立深海SPM图像特征提取算法，提取用于表征SPM浓度的视频图像信号；将视频图像信号、光学后向散射信号以及声学后向散射信号进行互相关分析，剔除浊虚假的光学后向信号；对光学后向信号反演的SPM浓度数据进行数据清洗；具体包括以下步骤：步骤S2
‑
1：传统的SPM浓度特征值提取算法具体包括以下步骤：步骤S2
‑1‑
1：将彩色图像转换为灰度图像；步骤S2
‑1‑
2：去除背景，基于视频图像自身的特性，采用帧间差分法处理；步骤S2
‑1‑
3：将灰度图像转换为二值图像，二值化处理过程采用采用恒定阈值T=2.5进行二值化；步骤S2
‑1‑
4：根据处理后的图像定义SPM浓度的图像信号；步骤S2
‑
2：视频图像信号、光学后向散射信号以及声学后向散射信号进行互相关分析，对全局和局部信号进行归一化互相关系数，公式（2），（3）所示，判断虚假信号，（2）（3）式中，x和y为待比较时间序列的变量，即视频图像信号、光学后向散射信号和声学后向散射信号的成对比较；t为时间；和分别为x和y序列的均值；和分别为x和y的标准差；k为时间滞后；n为样本量；为交叉协方差系数；为相互相关系数；步骤S2
‑
3：将观测期间计算得到的图像信号与光学后向散射信号进行分析比较，去除所有不吻合时段数据，即去除由光学后向散射信号反演的SPM浓度及其对应的图像数
据；步骤S3：预处理深海SPM视频图像，获取图像的特征向量，根据图像的时间序列，对深海SPM浓度时间序列数据进行插值处理，得到同一时间序列下的图像和SPM浓度；并将数据集划分为训练集和测试集，采用Resnet
‑
18的网络结构作为特征提取网络对采集的图像进行特征提取；步骤S4：在windows操作系统GPU1080下，基于Python语言Tensorflow框架，搭建以Resnet
‑
18作为特征提取网络对采集的图像进行特征提取，训练卷积神经网络SPM浓度回归预测模型；将Resnet
‑
18网络最后输出层的激活函数设置为ReLU，见公式（4），（4）式中，为输入数据经ReLU处理的输出激活值，为输出层权重矩阵，为输出层的偏置矩阵，为输入向量；采用均方根误差为损失函数，用于反映模型对训练集数据拟合程度，均方根误差如式（5），（5）式中，表示深度学习网络的输出；监督数据， k表示数据的维度；在模型训练过程中，采用随机梯度下降SGD算法，通过反复迭代本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像识别的深海悬浮颗粒物浓度预测方法，对水深1450 m实际获取的观测数据进行多维度分析，实现视频图像对深海SPM浓度预测，其特征在于，具体包括以下步骤：步骤S1：采集深海SPM的视频图像信号，采集间接表征深海SPM浓度的光学后向散射信号和声学后向散射信号；将光学后向散射信号反演计算为实际深海SPM浓度，为“图像
‑
SPM浓度”卷积神经网络回归预测模型的建立提供原始标签；所述反演计算的步骤包括：对不同水深处获取的水样进行抽滤烘干称重计算得到离散、真实的SPM浓度，将该SPM浓度与浊度计在同一深度获取的光学后向散射信号进行线性拟合，得到SPM浓度反演公式，将该公式应用于仪器连续坐底观测获取的光学后向散射信号中，得到1450 m水深处SPM浓度时间序列；步骤S2：结合实际获取的深海视频图像，根据视频图像处理技术建立深海SPM图像特征提取算法，提取用于表征SPM浓度的视频图像信号；将视频图像信号、光学后向散射信号以及声学后向散射信号进行互相关分析，剔除浊度计测定的虚假的光学后向信号；对光学后向信号反演的SPM浓度数据进行数据清洗；具体包括以下步骤：步骤S2
‑
1：传统的SPM浓度特征值提取算法具体包括以下步骤：步骤S2
‑1‑
1：将彩色图像转换为灰度图像；步骤S2
‑1‑
2：去除背景，基于视频图像自身的特性，采用帧间差分法处理；步骤S2
‑1‑
3：将灰度图像转换为二值图像，二值化处理过程采用采用恒定阈值T=2.5进行二值化；步骤S2
‑1‑
4：根据处理后的图像定义SPM浓度的图像信号；步骤S2
‑
2：视频图像信号、光学后向散射信号以及声学后向散射信号进行互相关分析，对全局和局部信号进行归一化互相关系数，公式（2），（3）所示，判断虚假信号，（2）（3）式中，x和y为待比较时间序列的变量，即视频图像信号、光学后向散射信号和声学后向散射信号的成对比较；t为时间；和分别为x和y序列的均值；和分别为x和y的标准差；k为时间滞后；n为样本量；为交叉协方差系数；为相互相关系数；步骤S2
‑
3：将观测期间计算得到的图像信号与光学后向散射信号进行分析比较，去除所有不吻合时段数据，即去除由光学后向散射信号反演的SPM浓度及其对应的图像数据；步骤S3：预处理深海SPM视频图像，获取图像的特征向量，根据图像的时间序列，对深海SPM浓度时间序列数据进行插值处理，得到同一时间序列下的图像和SPM浓度；并将数据集划分为训练集和测试集，采用Resnet
‑
18的网络结构作为特征提取网络对采集的图像进行特征提取；步骤S4：在windows操作系统GPU1080下，基于Python语言Tensorflow框架，搭建以
Resnet
‑
18作为特征提取网络对采集的图像进行特征提取，训练卷积神经网络SPM浓度回归预测模型；将Resnet
‑
18网络最后输出层的激活函数设置为ReLU，见公式（4），（4）式中，为输入数据经ReLU处理的输出激活值，为输出层权重矩阵，为输出层的偏置矩阵，为输入向量；采用均方根误差为损失函数，用于反映模型对训练集数据拟合程度，均方根误差如式（5），（5）式中，表示深度学习网络的输出；监督数据，k表示数据的维度；在模型训练过程中，采用随机梯度下降SGD算法，通过反复迭代不断更新权重以最小化损失函数，使用参数的梯度，沿梯度方向更新参数，并重复这个步骤多次，从而逐渐靠近最优参数，SGD算法如式（6），（6）式中，W为更新的权重参数，为损失函数关于W的梯度，为学习率；步骤S5：利用训练好的卷积神经网络SPM浓度回归...

【专利技术属性】
技术研发人员：贾永刚，王慧，胡聪，冯学志，郭煦，田兆阳，蒿瑞欣，
申请(专利权)人：中国海洋大学，
类型：发明
国别省市：