[發明專利]一種基于深度學習的海洋中尺度渦檢測方法

在審

• 申請號: 202110783889.5
• 申請日: 2021-07-12
• 公開（公告）號: CN113592786A
• 公開（公告）日: 2021-11-02
• 發明（設計）人: 杜震洪;董子意;吳森森;汪愿愿;張豐
• 申請（專利權）人: 浙江大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 傅朝棟;張法高

本發明公開了一種基于深度學習的海洋中尺度渦自動檢測方法。本發明基于深度學習的思想，構建了適用于檢測海洋中尺度渦的自動檢測網絡模型，逐級抽象海洋中尺度渦的高層本質特征，著重解決弱特征海洋遙感影像信息提取的關鍵科學問題，實現無人工干涉的海洋中尺度渦自動精準檢測，節省檢測海洋中尺度渦所需要耗費的人力和時間，為海洋學家利用海洋遙感影像探測海洋中尺度渦提供可靠的技術支撐。

技術領域

本發明涉及深度學習中的目標提取領域，具體涉及一種基于深度學習的海洋中尺度渦檢測方法。

背景技術

海洋中尺度渦是以封閉環流為特征的一種重要海洋現象，在全球海洋中廣泛存在，在海洋中呈現非規則螺旋狀結構，空間尺度可達10千米到100千米，垂直方向影響深度高達1千米。海洋中尺度渦攜帶著巨大的能量，能夠顯著改變營養物質和溫躍層的垂直分布，對浮游生物的分布、能量和鹽的輸送具有非常重要的作用。全球氣候和生態系統深受海洋物質與能量變化的影響，因此，實現海洋中尺度渦的自動監測不僅有助于研究海洋氣候變化，還對有效開發并管理海洋資源、確保海洋環境的安全具有重要作用。

海洋中尺度渦的自動檢測是監測、分析中尺度渦時空變化特征的重要方法。海洋遙感衛星在觀測海洋現象時具有全天候、大面積、遠距離、非接觸、快速高效等特點，這種觀測方法為研究海洋中尺度渦提供了豐富的數據資源。傳統檢測海洋中尺度渦的方法存在不足之處。傳統基于物理特征的海洋中尺度渦檢測方法，如Okubo-Weiss(OW)算法，在人工設計中尺度渦的渦度、振幅、速度等物理特征的過程中，由于引入大量的人為主觀因素，導致海洋中尺度渦檢測精度較低；傳統基于流場幾何特征的海洋中尺度渦檢測方法，如Winding-Angle(WA)算法，選擇閉合的流線并將它們聚類而達到探測渦旋的目的，但該方法計算過程復雜、計算量大，并且缺乏泛化能力。

海洋的反射信號與陸地遙感信號相比十分微弱，海洋現象的光譜特征差異也遠小于陸地表面物體間的光譜特征差異，這使得海洋現象在海洋遙感影像上的特征性和可區分性較弱。另外，影響海洋遙感影像的因素很多，如同一海洋現象在不同海面條件、不同水體渾濁度下具有顯著的時空異質性，這直接導致海洋現象在海洋遙感影像上呈現的特征具有不一致性。海洋遙感影像的弱特征性加劇了傳統識別方法的局限性。

發明內容

本發明的目的是克服現有技術存在的問題，提供一種基于深度學習的海洋中尺度渦檢測模型。本發明通過逐級抽象海洋中尺度渦的高層本質特征，著重解決弱特征海洋遙感影像信息提取的關鍵科學問題，實現無人工干涉的海洋中尺度渦自動精準檢測。

本發明的目的是通過以下技術方案來實現的：

一種基于深度學習的海洋中尺度渦自動檢測方法，其包括如下步驟：

S1：獲取帶有海洋中尺度渦標簽的海平面異常圖像數據集；

S2：基于改進的U-Net網絡構建海洋中尺度渦自動檢測模型；所述改進的U-Net網絡包括左側的編碼器部分和右側的解碼器部分；

所述編碼器部分由4個編碼塊連接而成；第一個編碼塊以海平面異常圖像為輸入；每個編碼塊中將編碼塊輸入依次通過3個3×3卷積層后，再利用步長為2的最大池化操作進行下采樣，下采樣結果輸出至下一個編碼塊中作為輸入，同時下采樣結果與第二個3×3卷積層的輸出計算殘差以實現殘差學習；最后一個編碼塊輸出的特征圖作為所述編碼器部分的輸出；

所述解碼器部分由4個解碼塊連接而成，每個解碼塊中將解碼塊輸入依次通過3個3×3卷積層后，再利用1個2×2的轉置卷積運算進行上采樣使特征通道的數量減半，同時對后兩個3×3卷積層的輸出計算殘差以實現殘差學習；