【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” ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。