基于深度学习的循环水养殖鳗鲡(Anguilla)行为状态识别的研究

对鱼类的行为进行智能监测,精准地量化与识别其健康状态,已成为研究热点。为实现养殖鳗鲡行为状态精准识别,提出一种基于DenseNet双流卷积神经网络的鳗鲡行为状态检测方法。利用混合高斯背景模型进行前景提取构建数据集,针对传统卷积神经网络对于时间动态信息提取能力有限的问题,搭建关联空间特征与时间特征的双流网络结构(Two-stream),并使用DenseNet-121网络替换原网络,对比VGGNet、ResNet等网络,通过密集连接实现特征重用,在搭建更深的网络结构基础上加强了运动特征传递并减少了参数量,更好地提取具有代表性的行为特征。传统双流网络在两端的softmax层仅作简单的决策层平均融合,无法更深程度关联时空高级特征,提出在网络卷积层提取空间特征与时间特征后,加上一层卷积层将时空特征进行卷积融合以提升模型识别精度。实验结果表明:文中提出的基于DenseNet双流卷积神经网络对6种鳗鲡行为状态检测方法准确率达到96.8%,相较于单通道的空间流与时间流网络,准确率分别提升了10.1%和9.5%;相较于以VGGNet、ResNet搭建的双流网络,准确率分别提升了12.4%和4.2%;与决...     

航空重力数据谐波小波滤波中卷积运算的处理

数据的滤波提取是航空重力测量数据处理的一个重要环节。谐波小波滤波器在频域具有良好的盒形谱特征,可以较好地实现信号的滤波。但谐波小波滤波器是一个连续函数,航空重力测量采集的信号是离散的,无法直接进行卷积运算。讨论了谐波小波用于航空重力数据滤波处理时的卷积运算处理方法,给出了谐波小波频域卷积的算法实现过程和仿真算例。     

基于改进ConvLSTM网络太平洋长鳍金枪鱼时空分布趋势预测

渔场资源与位置的变动由空间与环境因子共同驱动,远洋渔场时空演变信息的精准预测是远洋捕捞的关键支撑。该研究考虑渔业生产统计数据,并兼顾同期海洋环境数据包括海表面温度（Sea surface temperature, SST）、海表面盐度（Sea surface salinity, SSS）、初级生产力（primary productivity, PP）和溶解氧浓度（dissolved oxygen concentration, O2）,提出了一种融合卷积长短期记忆网络（ConvLSTM）和卷积神经网络（CNN）的渔场时空分布预测模型。首先对时空因子进行编码,提取高层时空特征;其次采用CNN提取海洋环境变量的抽象特征,并基于ConvLSTM提取渔业数据的时空特征,最后融合高层时空关联信息对渔场时空演变趋势进行预测。以1995－2018年太平洋海域的延绳钓生产数据对模型进行验证,模型的根均方误差为0.1036,实验对比发现较传统渔场预报模型的预测误差降低15%~40%,预测的高产渔区与实际作业的高渔获量区匹配度高。该研究构建的渔场时空预测模型能够准确地预测出太平洋长鳍金枪鱼的时空分布,为太平洋长鳍金枪鱼的延绳钓渔业提供科学参考依据。     

基于改进Faster R-CNN模型的SAR图像溢油检测方法

SAR（synthetic aperture radar）图像溢油暗斑准确识别对海上溢油应急工作具有重要的意义。为减少SAR图像特征提取、特征选择过程中人为因素对溢油检测精度的影响,本文将Faster R-CNN卷积神经网络模型引入SAR图像溢油检测并进行了改进。针对溢油暗斑形状多样及SAR图像背景复杂的特点,选用结构一致且实用性强的VGG16卷积网络获取图像特征,并使用软化非极大值抑制算法（Soft-NMS）进行优化。同时基于相同的数据集,提取常用的SAR图像几何特征、灰度特征和纹理特征,构建反向传播（backpropagation,BP）人工神经网络溢油检测方法并与Faster R-CNN方法进行对比。实验结果表明,基于改进Faster-RCNN模型的溢油检测方法溢油检测率达到0.78,且溢油检测虚警率低于0.25,相比BP人工神经网络溢油检测方法样本识别率、溢油检测率分别提高了4%和5%,溢油虚警率降低了5%。     

基于双流残差卷积神经网络的养殖鳗鲡(Anguilla)摄食强度评估研究

为实现对养殖鳗鲡(Anguilla)摄食强度的准确评估,提出了一种基于双流残差卷积神经网络的鳗鲡摄食强度评估方法,该方法针对传统双流网络(Two-stream)中存在的问题做出了相应的改进。首先针对传统双流网络存在网络结构较浅,无法提取到充分的鳗鲡摄食行为特征的问题,选择使用ResNet50网络进行替换,以提取到更具代表性的特征。其次针对传统双流网络最后的分类结果是把空间流和时间流的得分取平均值融合而获得,这种方式较为简单,且其空间流和时间流网络为独立进行训练,容易导致网络出现学习不到鳗鲡摄食行为的时空关联特征的问题,选择使用特征层融合方式对空间流和时间流网络提取获得的特征进行融合,让网络能够并行进行训练,以提取到时空信息间的关联特征。试验结果表明:文内提出的基于双流残差卷积神经网络的鳗鲡摄食强度评估方法准确率达到98.6%,与单通道的空间流和时间流网络相比,准确率分别提升了5.8%和8.5%,与传统的双流网络相比准确率也提升了3.2%。     

基于深度学习和时空特征融合的海洋渔船密度预测方法

为了从海量渔船轨迹数据中挖掘隐含的信息和知识,进而为渔业行政主管部门的决策提供科学依据,本研究以AIS渔船轨迹数据为研究对象,提出了一种基于深度学习和面向时空特征融合的海洋渔船密度预测方法：首先,利用渔船轨迹数据集对渔船行驶区域进行网格划分;其次,筛选出渔船高密度区域进行研究,避免数据稀疏性问题;再次,根据渔船轨迹数据的时空分析,构建三维时空融合矩阵;最后,通过卷积循环神经网络模型捕获渔船分布的时间和空间特征,并利用卷积神经网络的堆叠加强对空间特征的学习。实验通过东海海域渔船真实轨迹数据进行具体测试,结果表明渔船密度预测值与真实值非常接近,平均绝对误差为4×10-4,模型较好地拟合了渔船密度分布特征,有效地提高了渔船捕捞热点预测的准确性和鲁棒性。     

基于R-FCN_ResNet的深海冷泉区生物的识别与分布研究

针对深海冷泉生物数量多、密度大、特征低，人工识别它们的种类和数取它们的数量耗时费力且准确度低这一问题，利用残差学习块，改进了基于区域的全卷积网络算法，用以深海冷泉生物的自动识别与检测。首先，构建了一组包括5类目标生物的深海冷泉生物图像目标检测数据集；然后，在TensorFlow框架下对比了R-FCN_ResNet、Faster R-CNN和SSD_MobileNet三种典型的卷积神经网络算法。从训练耗损时间、平均检测速度、平均置信度三方面权衡，突出了R-FCN_ResNet模型的优势；最后，将测试集图片输入至该模型中检测深海冷泉生物的种类和数量，并且以此复现了生物的分布情况。实验证明，所提方法结合本文数据集进行的深海冷泉生物识别与分布研究，是有效可行的，且具有较高的目标分类和定位准确率。     

光谱预处理方法对硝酸盐测量模型影响实验研究及软件设计

基于Savitzky-Golay(SG)卷积平滑、正态变量变换(SNV)、一阶导数法、附加散射校正(MSC)和小波去噪(WDS)等信号处理方法,对水中硝酸盐偏最小二乘(PLS)测量模型的影响进行实验研究,采用评估均方差(RMSEE)、预测标准差(RMSEP)、相关系数(R)、预测值与样本浓度值回归关系显著性F检验对预处理效果进行考察。实验结果表明,经SG卷积平滑预处理的PLS模型预测准确性优于其他处理方法。同时编写了该5种光谱预处理方法软件,实现了光谱数据采集与预处理、谱图绘制和光谱保存等功能。     

卷积神经网络在卫星遥感海冰图像分类中的应用探究

本文以TensorFlow为框架搭建卷积神经网络，基于迁移学习的思想，以经典的手写数字识别作为引入，对不同代价函数和激活函数组合对卷积神经网络模型分类结果影响进行了评价分析。以HJ-1A/B渤海海冰图像为实验数据源，分析了不同函数组合对遥感海冰图像分类的影响，优选出交叉熵代价函数与ReLU激活函数为最佳的组合，证明了卷积神经网络在遥感海冰分类中的应用可行性。对渤海海冰图像分类结果进行验证，其中带标签样本验证精度为98.4%。使用该模型对无标签的测试样本进行识别，讨论了样本的窗口尺寸对海冰分类结果的影响，发现在400×400小范围分类实验中最佳窗口尺寸为2×2；最后对整个渤海海域进行识别验证，效果较好。     

卷积神经网络在SAR遥感海冰分类中的应用可行性分析

分别介绍了卫星遥感海冰监测、分类的传统方法,以及卷积神经网络在遥感影像分类识别中的应用成果。尝试将在图像识别、语言检测等方面取得成功的卷积神经网络算法应用在海冰图像分类中,利用其能够应对非线性、网络结构简单、可并行运算等能力去解决海冰数据分类问题。     

基于遗传小波神经网络的海底声学底质识别分类

分割海底声纳探测图像,提取单元特征向量进行主成份分析,选取均值、标准差、对比度、相关系数、能量及同质性作为训练特征向量,构建小波神经网络。利用遗传算法优化小波神经网络的初始权值及小波参数,对砂、礁石、泥3种底质类型分别进行训练,并得到3种底质的测试精度都在90%以上,优于单独利用小波神经网络进行训练时的测试精度,克服了小波神经网络训练时易陷入局部极小的固有缺陷,表明基于遗传算法的小波神经网络可有效用于海底底质声纳图像的识别和分类。     

Seabed Classification Using BP Neural Network Based on GA

INTRODUCTIONUnderwaterremotesensingtools,suchasmulti beam ,sidescansonar,sub bottom pro file ,video ,etc .,arenormalmeanstoexploreseabed .Foreaseofnotation ,sidescansonarim ageisusedtodemonstrateseabedimage .Sidescansonarisakindofhigh resolutionimagingandcancontinuouslymonitorthechangesofseafloor.Inordertorelievetechniciansfromhardhandwork ,theautomaticclassificationbycomputerisneeded .Differentfromthespatialremotesensingimage ,underwatersonarimageistheformernon multi spectralimage .Theo…     

珊瑚环礁区侧扫声呐图像中的目标物识别方法

为研究西沙宣德环礁海底地貌特征及珊瑚分布情况,采用舷挂侧扫拖鱼的方式对环礁区域海底进行地貌扫测,从采集的侧扫声呐图像上可以识别出环礁区域珊瑚分布情况及珊瑚礁区地貌特征,利用侧扫声呐图像识别方法结合实物样品比对可以圈定出珊瑚分布范围、暗礁区域及环礁区域底质类型分布,采用基本的数学处理方法定量分析了水下珊瑚礁体的海底高度及疑似沉船的大小,分析了侧扫声呐图像显示的调查船转向效应。     

基于深度卷积神经网络的海洋牧场岩礁性生物图像分类

水下视频可直观记录和反映海洋牧场生物资源的现状和变动,目前亟待开展基于图像的海洋牧场生物识别分类方法研究,以充分发挥图像处理技术在海洋牧场生物群落监测领域的应用潜力。利用采集自我国北方烟威地区包含鱼礁、藻床和泥沙三种图像背景的水下视频,开展了图像增强、图像分类数据集的建立和3种分类模型的应用。对比了基于绿通道的色彩补偿和限制对比度的自适应直方图均衡等方法在海洋牧场水下图像增强上的效果。建立了北方海洋牧场常见岩礁生物图像分类数据集,包括花鲈(Lateolabraxjaponicus)、(Lizahaematocheilus)、许氏平鲉(Sebastes schlegelii)等鱼类11种、棘皮类3种和蟹类1种,共23 211张图像。基于飞桨深度学习框架和PaddleX全流程开发工具,选择AlexNet、MobileNetV3和ResNet50三种图像分类卷积神经网络进行迁移学习,并分别验证了其在含噪音水下图像上的鲁棒性。结果表明,三种模型在测试集的类准确率分别达到96.64%、94.75%和99.23%,其中ResNet50模型在含有高斯噪音的图像集验证具有更好的鲁棒性。综之,基于深度学习的计算机视觉技术在我国海洋牧场生物群落监测中具有较大应用潜力,可为我国海洋牧场监测和管理提供新的思路和方法。     

Pulse-length-tolerant features and detectors for sector-scan sonar imagery

This paper presents a neural-network-based system to detect small man-made objects in sequences of sector-scan sonar images created using signals of various pulse lengths. The detection of such objects is considered out to ranges of 150 m by using an experimental sector-scan sonar system mounted on a vessel. The sonar system considered in this investigation has three modes of operation to create images over ranges of 200, 400, and 800 m from the vessel using acoustic pulses of a different duration for each mode. After an initial cleaning operation performed by compensating for the motion of the vessel, the imagery is segmented to extract objects for analysis. A set of 31 features extracted from each object is examined. These features consist of basic object size and contrast features, shape moment-based features, moment invariants, and features extracted from the second-order histogram of each object. Optimal sets of 15 features are then selected for each mode and over all modes using sequential forward selection (SFS) and sequential backward selection (SBS). These features are then used to train neural networks to detect man-made objects in each sonar mode. By the addition of a feature describing the sonar's mode of operation, a neural network is trained to detect man-made objects in any of the three sonar modes. The multimode detector is shown to perform very well when compared with detectors trained specifically for each sonar mode setting. The proposed detector is also shown to perform well when compared to a number of statistical detectors based on the same set of features. The proposed detector achieves a 92.4% probability of detection at a mean false-alarm rate of 10 per image, averaged over all sonar mode settings.     

Artificial intelligence-based hull structural plate corrosion damage detection and recognition using convolutional neural network

With the support of big data and GPU acceleration training, the artificial intelligence technology with deep learning as its core is developing rapidly and has been widely used in many fields. At the same time, feature extraction operations are required by the current image-based corrosion damage detection method in the field of ships, with little effect but consuming the large amount of manpower and financial resources. Therefore, a new method for hull structural plate corrosion damage detection and recognition based on artificial intelligence using convolutional neural network is proposed. The convolutional neural network (CNN) model is trained through a large number of classified corrosion damage images to obtain a classifier model. Then the classifier model is used with overlap-scanning sliding window algorithm to recognize and position the location of corrosion damage. Finally, the damage detection pattern for hull structural plate corrosion damage as well as other types of superficial structural damage using convolutional neural network is proposed, which can accelerate the application of artificial intelligence technology into the field of naval architecture & ocean engineering.     

Wavelet analysis of bathymetric sidescan sonar data for the classification of seafloor sediments in Hopvågen Bay - Norway

In this paper we examine the use of bathymetric sidescan sonar for automatic classification of seabed sediments. Bathymetric sidescan sonar, here implemented through a small receiver array, retains the advantage of sidescan in speed through illuminating large swaths, but also enables the data gathered to be located spatially. The spatial location allows the image intensity to be corrected for depth and insonification angle, thus improving the use of the sonar for identifying changes in seafloor sediment. In this paper we investigate automatic tools for seabed recognition, using wavelets to analyse the image of Hopvågen Bay in Norway. We use the back-propagation elimination algorithm to determine the most significant wavelet features for discrimination. We show that the features selected present good agreement with the grab sample results in the survey under study and can be used in a classifier to discriminate between different seabed sediments.