[發(fā)明專利]一種結(jié)合多光譜圖像與深度學(xué)習(xí)方法的漂浮HNS目標(biāo)檢測方法

有效

• 申請?zhí)枺?/td>: 201910363641.6
• 申請日: 2019-04-30
• 公開（公告）號: CN110348456B
• 公開（公告）日: 2022-04-29
• 發(fā)明（設(shè)計）人: 黃慧;孫澤浩;王超;王杭州;劉材材;蔣曉山;徐韌
• 申請（專利權(quán)）人: 浙江大學(xué);國家海洋局東海環(huán)境監(jiān)測中心
• 主分類號: G06V10/60
• 分類號: G06V10/60;G06V10/26;G06V10/22;G06V10/764;G06V10/774;G06K9/62
• 代理公司: 杭州求是專利事務(wù)所有限公司 33200
• 代理人: 邱啟旺

1.一種結(jié)合多光譜圖像與深度學(xué)習(xí)方法的漂浮HNS目標(biāo)檢測方法，其特征在于，該方法包括數(shù)據(jù)庫準(zhǔn)備、目標(biāo)檢測模型構(gòu)建與模型應(yīng)用檢測階段；

(1)數(shù)據(jù)庫準(zhǔn)備階段，需要建立的數(shù)據(jù)庫如下：

(1.1)HNS特征反射波段數(shù)據(jù)庫：使用光譜反射率測量設(shè)備采集各類待檢測HNS在自然水體下漂浮時的光譜反射率以及相應(yīng)水體背景的光譜反射率，通過計算各類待檢測HNS與水體的光譜反射率差值與夾角余弦計算得到各類待檢測HNS與水體反射率差異最大的特征波段；

(1.2)HNS多光譜圖像數(shù)據(jù)庫：使用多光譜成像設(shè)備獲取各類待檢測HNS多光譜圖像構(gòu)建其光譜圖像數(shù)據(jù)庫，測量的多光譜圖像波段需包含步驟(1.1)中的特征反射波段；

(1.3)HNS分類優(yōu)選波段庫：從步驟(1.2)中選取各類待檢測HNS的多光譜圖像中對應(yīng)于步驟(1.1)中的特征反射波段作為區(qū)域分割提取波段，進行圖像處理分割獲取HNS區(qū)域后，以此區(qū)域為依據(jù)提取其余各個光譜波段圖像的HNS區(qū)域的光譜數(shù)據(jù)，利用機器學(xué)習(xí)方法訓(xùn)練HNS類別組合的多光譜分類模型，并進一步確定分類的優(yōu)選波段，優(yōu)選波段中需包含步驟(1.1)中的特征反射波段；

(2)目標(biāo)檢測模型構(gòu)建階段，包含如下步驟：

(2.1)區(qū)域檢測圖像數(shù)據(jù)集構(gòu)建：使用多光譜成像設(shè)備在太陽半平面下獲取待檢測區(qū)域?qū)?yīng)步驟(1.3)中的優(yōu)選波段圖像，并從中選取其對應(yīng)于步驟(1.1)中的特征反射波段圖像構(gòu)建區(qū)域檢測圖像數(shù)據(jù)集；

(2.2)圖像預(yù)處理與標(biāo)注：對步驟(2.1)中的數(shù)據(jù)集進行統(tǒng)一的光照校正平滑處理后，對區(qū)域檢測圖像數(shù)據(jù)集的漂浮HNS區(qū)域進行區(qū)域標(biāo)注，同時從所有優(yōu)選波段區(qū)域圖像選定相應(yīng)的標(biāo)注區(qū)域分割漂浮HNS區(qū)域，并提取HNS區(qū)域的光譜數(shù)據(jù)構(gòu)成類別檢測圖像數(shù)據(jù)集，對每組類別檢測圖像數(shù)據(jù)集對應(yīng)的HNS類別進行分類標(biāo)簽標(biāo)注；

(2.3)目標(biāo)區(qū)域檢測模型訓(xùn)練：將區(qū)域檢測圖像數(shù)據(jù)集及標(biāo)注數(shù)據(jù)輸入深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型中進行模型訓(xùn)練，獲得HNS深度學(xué)習(xí)區(qū)域檢測模型；

(2.4)目標(biāo)類別檢測模型訓(xùn)練：應(yīng)用類別檢測圖像數(shù)據(jù)集及類別標(biāo)簽到機器學(xué)習(xí)方法中進行分類模型訓(xùn)練，獲得HNS的機器學(xué)習(xí)分類模型；

(3)模型應(yīng)用檢測階段，包含如下步驟：

(3.1)檢測圖像獲取與預(yù)處理：使用帶GPS模塊的多光譜成像設(shè)備在太陽半平面下同時獲取待檢測區(qū)域?qū)?yīng)步驟(1.3)中的優(yōu)選波段圖像以及GPS定位信息，并對獲取圖像進行統(tǒng)一的光照校正平滑處理；

(3.2)目標(biāo)區(qū)域分割：使用步驟(2.3)中獲得的HNS深度學(xué)習(xí)目標(biāo)區(qū)域檢測模型對檢測圖像進行目標(biāo)區(qū)域檢測，并進一步獲取分割的目標(biāo)區(qū)域；

(3.3)目標(biāo)類別檢測：從步驟(3.2)獲得的目標(biāo)分割區(qū)域中提取優(yōu)選波段多光譜圖像的光譜數(shù)據(jù)，并將數(shù)據(jù)輸入步驟(2.4)中獲得的機器學(xué)習(xí)分類模型進行目標(biāo)HNS分類，得到相應(yīng)HNS區(qū)域的類別標(biāo)簽，確定泄漏HNS的種類；

(3.4)可視化檢測：結(jié)合步驟(3.1)-步驟(3.3)的檢測結(jié)果，構(gòu)建漂浮HNS泄漏區(qū)域、類別的可視化檢測結(jié)果圖。

2.根據(jù)權(quán)利要求1所述的漂浮HNS目標(biāo)檢測方法，其特征在于：所述的數(shù)據(jù)庫準(zhǔn)備階段的步驟(1.3)和目標(biāo)檢測模型構(gòu)建階段的步驟(2.4)中的機器學(xué)習(xí)方法可以為偏最小二乘判別分析法(PLS-DA)、支持向量機法(SVM)或人工神經(jīng)網(wǎng)絡(luò)(ANN)。

3.根據(jù)權(quán)利要求1所述的漂浮HNS目標(biāo)檢測方法，其特征在于：所述的目標(biāo)檢測模型構(gòu)建階段的步驟(2.3)中的深度神經(jīng)網(wǎng)絡(luò)模型可以為RCNN系列、SSD系列或YOLO系列。

4.根據(jù)權(quán)利要求1所述的漂浮HNS目標(biāo)檢測方法，其特征在于：所述的目標(biāo)檢測模型構(gòu)建階段的步驟(2.3)中的深度神經(jīng)網(wǎng)絡(luò)模型與(2.4)中的機器學(xué)習(xí)分類模型可以采用多任務(wù)的方式進行一體化訓(xùn)練。