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...     

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。     

基于深度学习的循环水养殖鳗鲡(Anguilla)计数研究

鳗鲡(Anguilla)作为我国优质水产养殖种类,精准掌握其数量对高效养殖有重要意义。为实现对循环水养殖鳗鲡的准确计数,提出了一种基于深度学习的改进Faster RCNN模型。针对检测目标即鳗鲡头部尺寸小的问题,选择在特征提取网络ResNet50中加入FPN结构来作为模型的骨干网络,以提取并融合多尺度的特征;针对原模型锚框都是基于人工经验设置的,并不适用于鳗鲡数据集的问题,使用k-means聚类算法对训练集中标注的鳗鲡头部检测框进行聚类分析,获得了适合鳗鲡数据集的15种不同尺度的锚框;针对图像中存在鳗鲡头部重叠的问题,选择使用Soft-NMS算法替代原NMS算法对RPN部分生成的候选框进行筛选,以减少模型对鳗鲡重叠部分的漏检情况。试验结果表明:改进后的Faster RCNN模型对鳗鲡头部的检测精度(mAP^0.5)高达96.5%,较原Faster RCNN模型(Backbone为ResNet50)显著提升了14%,与SSD300和YOLOV3模型相比分别显著提升了24.9%和15%;在鳗鲡计数上,利用改进后的Faster RCNN模型检测结果进行计数,计数准确率达到90%以上,提升了模型对鳗鲡的检测识别能力。     

基于密集多尺度特征的遥感影像水体提取

针对传统遥感影像水体提取方法和基于深度学习的经典目标提取模型的提取结果存在丢失边缘细节信息和准确率低的问题,提出了基于深层特征编码-水体识别解码的多尺度特征密集连接网络结构。首先利用深层特征编码结构中的普通卷积提取影像中水体的特征信息,然后利用密集多尺度特征模块提取水体的多尺度特征和保留全局信息,最后利用水体识别解码结构对图像中的水体进行预测。实验结果表明：本文方法的提取结果精度优于经典全卷积神经网络模型,在测试集上的像元精度达到98.56%,交并比达到78.91%,有效保留了水体的完整性和细节边缘信息,实现了水体的精细化提取。     

基于改进U-Net的海岸线提取方法

遥感影像海陆分割对于海岸线提取及其动态监测具有重要意义。传统的基于光谱特征和图像处理的海岸线识别和提取方法, 在面对高分辨率遥感图像复杂的纹理和空间分布时, 只能生成具有局限性的图像特征结果, 且分割结果准确率不高。本文将深度卷积神经网络应用于高分遥感图像的海陆分割问题, 并在经典编码器-解码器结构的基础上进行了创新。首先, 为了降低调参难度引入批归一化层, 降低了网络对参数的尺度和初始值的敏感度; 其次, 采用转置卷积代替传统卷积, 在模型训练过程中通过梯度递减算法, 不断更新参数权值, 显著提高语义分割的精度。利用研究区域高分一号遥感图像数据对于人工岸线及自然岸线的分割实验结果显示: 相较于经典U-Net与SegNet, 改进U-Net网络, 对于各种自然岸线和人工岸线具有更低的边界模糊度和更准确的分割结果, 对于自然岸线的提取结果, 漏检、错检现象较少; 对于人工岸线的提取具有更大的感受野, 能够提取岸线的空间结构信息, 避免误分类。面对日益丰富的高分辨率的遥感影像数据源, 基于改进U-Net的海岸线提取, 能更好地保留边界信息且具备更优的语义分割效果, 可以更为准确地挖掘高分遥感影像的空间分布特征、纹理特征以及光谱特征, 从而提升分类的准确性。     

基于鱼体运动特征和图像纹理特征的鱼类摄食行为识别与量化

针对水产养殖中的精准投喂问题,以大西洋鲑(Salmo salar)为研究对象,提出一种基于鱼体运动特征和图像纹理特征的鱼群摄食活动强度量化方法,进行鱼类摄食行为识别研究。利用自适应背景差分及光流法得到运动鱼体的速度、转角,并通过信息熵统计速度和转角的分布,之后通过灰度共生矩阵提取能量、熵、对比度、相关性和逆差距5个图像纹理特征值。最后,结合鱼体运动特征及图像纹理特征,对鱼类摄食行为进行识别和检测。实验结果表明,该方法的识别准确率达到了94.17%,相较于单一特征检测本研究的检测精度更高。     

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。     

一种基于双通道的水下图像增强卷积神经网络

近年来各国对于海洋生物的保护意识日益强烈,用来监测海洋生物生存状态的水下机器人装备的研发是保护海洋生物资源的关键。水下相机是这类机器人在水下进行海洋生物监测时的光学感知设备。然而水下环境复杂,拍摄到的图像模糊不清,为解决水下图像模糊等问题,提出了一种基于双通道的水下图像增强卷积神经网络。在网络的编码器中采用双通道结构,其中一个通道采用了密集连接和高效通道注意力机制,提取水下图像的细节特征,另一个通道采用多尺度结构,提取原始图像的多尺度语义特征。接着,在网络中引入残差注意力模块和自适应特征融合模块,进一步优化了特征。最后将优化后的特征输入解码器重建出增强后的水下图像。试验表明：提出的网络算法在UIQM指标和Entropy指标上分别为3.005 6和7.654 7,较第二名的算法分别高出0.097 5和0.123 2。     

水下航行体远场低频声特征提取鉴别方法综述

针对水下大型航行体的小样本远场低频特征提取与鉴别问题,从 3 个方面综述了目前国内外小样本低频特征提取与鉴别的传统方法和智能方法。时频域单独、时频域结合和视听感官特征提取的传统方法需要一定的先验知识与假设,易受环境干扰;专家系统、统计类方法和 BP 神经网络等早期的智能方法存在可移植性差、学习能力差、上限低、梯度消失等问题;深度置信网络(DBN)、卷积神经网络(CNN)、循环神经网络(RNN)、自编码器(AE)神经网络、生成对抗网络(GAN)、迁移学习深度网络等深度智能方法对先验知识依赖度低,可以提取深度不变特征,较其他方法更稳定,识别精度更高,但是也存在依赖数据量、可解释性不足的缺点。未来,传统方法与智能方法更深度的互补融合有望减少当前方法对数据量的依赖,提高深度特征的可解释性。     

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。     

基于空谱融合与AlexNet算法的滨海湿地植被分类研究

为提高遥感影像融合质量,提升资源一号(ZY-1 02D)高光谱遥感影像滨海湿地植被分类精度,提出将ZY-1 02D高光谱影像与空间分辨率为10 m的哨兵2号(Sentinel-2)影像进行Brovey融合,并通过搭建AlexNet卷积神经网络对ZY-1 02D高光谱影像和Brovey融合影像的滨海湿地植被进行分类,与支持向量机、随机森林和BP神经网络分类算法进行精度对比。研究结果表明:经Brovey融合后,AlexNet、支持向量机、随机森林和BP神经网络算法的植被分类总体精度分别提高15.60%、7.00%、14.80%和10.00%,Kappa系数提高了21.35%、9.93%、18.97%、12.85%;基于Brovey影像融合与AlexNet算法的植被分类精度最高,总体精度为92.40%,Kappa系数为89.42%。空谱融合配合AlexNet卷积神经网络有效解决了高光谱遥感影像在滨海湿地植被分类应用中精度较低的问题,为滨海湿地植被资源动态监测提供技术和方法支撑。     

基于双路图卷积的黄河三角洲湿地地物分类研究

黄河三角洲湿地地物精确分类对湿地资源的保护、开发和利用具有重要意义。目前的湿地分类算法大多存在着全局信息利用不足,地物类型边界不易区分等问题,导致分类精度不高。针对此问题,本文提出了基于双路图卷积的黄河三角洲湿地地物分类算法,包括图结构数据构建模块、特征提取与融合模块两部分。图结构数据构建模块,设计欧式图表示光谱值之间的绝对差异,衡量不同地物类型,设计余弦图表达不同像素光谱波形之间的差异,用以区分不同的地物边界;特征提取与融合模块,利用图卷积聚合全局信息,对欧式图利用双层图卷积进行特征提取,对余弦图使用图U-Net网络进行特征提取,之后将两个特征融合,得到同时具有光谱值绝对差异和光谱波形差异的融合特征,最后进行分类。在CHRIS和GF5两个数据集的实验结果表明,本文所提算法在黄河三角洲湿地地物分类中取得了具有竞争力的分类结果。     

基于GA-BP神经网络的临洪河口湿地土地覆盖分类算法研究

针对传统分类方法易受到"同物异谱"和"同谱异物"影响，致使河口湿地覆盖分类精度较低的问题，提出一种基于遗传算法优化BP神经网络分类算法。以江苏省临洪河口湿地为研究区，选用哨兵Sentinel-2影像，经辐射校正、大气校正和图像裁剪等预处理后，构建基于自适应遗传算法优化的BP神经网络算法开展临洪河口湿地土地覆盖分类研究，并与传统BP神经网络、支持向量机和随机森林算法进行精度比较。研究结果表明：遗传算法优化后的BP神经网络算法开展河口湿地土地覆盖分类的总精度为96.162 7%，Kappa系数为0.952 0；与传统BP神经网络、支持向量机和随机森林分类算法的分类总精度相比，分别提高了7.359 7%、11.677 9%和6.042 4%；对应的Kappa系数也相应提高了0.090 8、0.118 0和0.074 8；有效解决了河口湿地土地覆盖分类精度低的问题。遗传算法优化后的BP神经网络可实现河口湿地土地覆盖的高精度分类，促进湿地资源的合理开发和保护，为实现海洋生态文明建设提供技术支撑。     

卷积神经网络在SAR遥感海岛海岸带地物信息提取中的应用综述

为满足科学管理海岛海岸带的需求,发掘合成孔径雷达（SAR）在海岛海岸带地物信息提取中的应用潜力,文章概述SAR和卷积神经网络的原理,分析卷积神经网络应用于SAR遥感海岛海岸带地物信息提取的可行性和优势。研究结果表明：通过卷积神经网络提取SAR数据中的海岛海岸带地物信息,无须预先提取图像特征,卷积神经网络能够自动提取图像中更本质和更抽象的特征,更好地应对地物目标的非线性混合;这种提取方法的精度更高,鲁棒性和泛化能力更强,可应用于海岛海岸带的精细化监测,为海岛海岸带的科学管理提供支撑。     

海域使用时空数据管理模式研究

随着时间的推移和对海域开发利用的变化以及对海域开发利用程度的提高,海域使用时空数据的动态管理将成为海域使用管理的重要内容。论文通过对海域使用数据的分析,提出了海域使用时空数据管理的模式,在原有海域使用信息的基础上增加时间信息和水深信息的管理,将海域使用数据的空间分类体系和相互影响关系与时空数据的动态管理有机的结合在一起。在空间层次上对海域使用进行重新的归类和补充,建立海域使用空间相互影响关系表,分析了海域使用时空数据的组成,设计了宗海时空数据库结构。按照海域使用时空数据管理模式,采用ESRI MapObjects的GIS图形软件包进行了开发试验,实现了海域使用过程中不同时间、不同空间层次数据的动态管理和时空分析。     

海洋观测图像的深度哈希检索及FPGA在轨实现

近年来,星载/机载的在轨海洋观测设备日益增多。如何从星/机在轨观测的数据中快速且准确地检索出关键图像并进行回传,逐渐成为在轨实时处理的重要研究课题。哈希函数作为一种映射函数,能够将不同图像变换为相同长度的二进制码,并且保持类似图像二进制码的相似性。为了保证二进制编码的特征表达能力,采用深度卷积神经网络(Convolutional Neural Network,CNN)提取海洋图像的特征信息,对图像进行哈希变换。本文以海洋观测图像作为训练数据集,基于深度卷积神经网络在GPU(Graphics Processing Unit)上训练哈希算法。在此基础上,本文将训练好的哈希函数在FPGA(Field Programmable Gate Array)上实现,完成海洋观测图像的在轨快速检索,为海洋观测实时处理提供了有效技术手段。     

深度边缘光谱U-Net海水网箱养殖信息提取

网箱养殖是海水养殖的重要类型之一,传统网箱养殖目标光谱特征受近岸植被、水体影响较大,易出现噪声问题.新型深海网箱养殖目标离岸较远,但养殖目标海面框体部分较小,与自然水体光谱相似性较高,难以实现有效提取.本文提出深度边缘光谱U-Net模型对两种海水网箱养殖类型进行养殖信息提取.该模型通过Canny算子双边滤波算法去除波段...