[發明專利]一種基于卷積神經網絡的水上油膜相對厚度提取方法及系統

在審

• 申請號: 201810117455.X
• 申請日: 2018-02-06
• 公開（公告）號: CN108334937A
• 公開（公告）日: 2018-07-27
• 發明（設計）人: 劉丙新;李穎;侯永超;張強;吳鵬
• 申請（專利權）人: 大連海事大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06T7/62
• 代理公司: 大連東方專利代理有限責任公司 21212
• 代理人: 趙淑梅;李洪福

1.一種基于卷積神經網絡的水上油膜相對厚度提取方法，其特征在于具有如下步驟：

S1、預先采集高光譜數據，作為預處理數據；

S2、從預處理數據中選取訓練樣本，將訓練樣本輸入卷積神經網絡，對卷積神經網絡進行訓練，提高卷積神經網絡的精度，在卷積神經網絡的精度未達到要求之前重復步驟S2，直至精度達到要求，完成卷積神經網絡訓練過程；

S3、將預處理數據中待檢測數據輸入卷積神經網絡，完成待檢測數據的處理過程，輸出結果；

S4、對輸出結果進行評價，分析輸出結果的準確性；

S5、實時顯示步驟S3得到的輸出結果和步驟S4得到的評價結果。

2.根據權利要求1所述的方法，其特征在于，所述步驟S1中，是通過星載/機載的高光譜儀器預先采集高光譜數據；

所述卷積神經網絡包括依次連接的第一卷積層、第二卷積層、第一池化層、第三卷積層、第四卷積層、第二池化層和全鏈層，還包括輸出層和精度計算模塊；

所述第一卷積層、所述第二卷積層、所述第三卷積層、所述第四卷積層中分別進行卷積操作；

所述第一池化層和所述第二池化層中分別進行y個卷積池化操作，所述卷積池化中包括x個卷積操作和一個池化操作；

所述全鏈層中進行全鏈接操作；

所述卷積操作和所述全鏈接操作采用ReLU激活函數；

所述池化操作和所述全鏈接操作采用Dropout機制。

3.根據權利要求2所述的方法，其特征在于，所述步驟S2中，對所述卷積神經網絡進行訓練具體步驟如下：

訓練樣本依次經過第一卷積層、第二卷積層、第一池化層、第三卷積層、第四卷積層、第二池化層和全鏈層，并通過輸出層輸出結果，輸出結果經精度計算模塊判斷是否達到精度要求；

對所述卷積神經網絡進行訓練采用交叉熵作為損失函數，采用Adadelta算法優化模型。

4.根據權利要求2所述的方法，其特征在于，所述步驟S3中，待檢測數據的處理過程具體步驟如下：

待檢測數據依次經過第一卷積層、第二卷積層、第一池化層、第三卷積層、第四卷積層、第二池化層和全鏈層，并通過輸出層輸出結果。

5.根據權利要求1所述的方法，其特征在于，所述步驟S4中，采用ROC曲線與AUC面積對輸出結果進行評價；

ROC曲線中縱坐標的值為：TP/(TP+FN)，橫坐標的值為：FP/(TN+FP)；

AUC面積為ROC曲線下的面積，若AUC面積越大，則輸出結果性能越優。

6.一種基于卷積神經網絡的水上油膜相對厚度提取系統，其特征在于，包括：

高光譜數據輸入單元，被配置為預先采集作為預處理數據的高光譜數據，并將預處理數據傳輸給卷積神經網絡處理單元；

所述卷積神經網絡處理單元，被配置為可通過預處理數據中選取的訓練樣本進行訓練以提高其精度，在精度達到要求時，對預處理數據中待檢測數據進行處理，輸出結果；

結果評價單元，與所述卷積神經網絡處理單元連接，且被配置為對輸出結果進行評價，分析輸出結果的準確性；

顯示單元，分別與所述卷積神經網絡處理單元和所述結果評價單元連接，且被配置于實時顯示輸出結果和評價結果。