融合深度學習的自動化海洋鋒精細識別

曹維東,解 翠,韓 冰,董軍宇

(中國海洋大學 信息科學與工程學院,山東 青島 266000)

0 概述

海洋鋒是指性質(zhì)明顯不同的兩種或兩種以上水體之間的狹窄過渡帶,是海洋環(huán)境參數(shù)的躍變帶,可用海水溫度、鹽度、密度、速度、顏色、葉綠素等要素來描述。鋒區(qū)中存在的強烈的湍流混合交換、水平輻合(輻散)和垂直運動,不僅對航運和漁業(yè)影響很大,而且對水下聲傳播、艦船航行安全、海上搜救等活動也均有重要影響。作為重要的中尺度現(xiàn)象之一,海洋鋒的研究受到人們的關注和重視。而在海洋鋒的研究中,海洋鋒識別是其主要工作,因此,對海洋鋒識別算法的改進十分重要。

梯度閾值法是一種傳統(tǒng)的海洋鋒識別方法,廣泛應用于海洋鋒的識別研究中。但由于不同海域中海洋鋒的強度不一致,不同海域下的海洋鋒識別所需要的梯度閾值也不相同。在梯度閾值法中,確定合理的閾值比較困難,主要體現(xiàn)在不同的參數(shù)(如溫度、鹽度、葉綠素等)有不同的標準,即使參數(shù)相同,不同的海域和不同的季節(jié),劃分和定義的標準也不相同。

基于深度學習的海洋鋒識別方法是目前較新的海洋鋒識別方法,圖像是海洋鋒識別研究的常見數(shù)據(jù)載體,得益于深度學習在圖像識別領域的快速發(fā)展,基于深度學習方法進行海洋鋒識別可以避開傳統(tǒng)方法標準不統(tǒng)一問題,但是目前該類方法只能對目標海域中是否存在海洋鋒做出判斷,無法對海洋鋒的形態(tài)細節(jié)進行識別。

本文提出基于深度學習的海洋鋒自適應梯度閾值識別方法。將Mask R-CNN算法應用到海洋鋒識別問題中,并參考傳統(tǒng)梯度閾值法的思想,通過自適應的閾值計算和鋒面調(diào)整過程,獲得精細的海洋鋒識別結(jié)果。

1 研究現(xiàn)狀

1.1 傳統(tǒng)的海洋鋒識別

自20世紀70年代以來,識別海洋鋒的主流算法有梯度法(灰度梯度法)、灰度直方圖法和信息熵法。文獻[1]設計了新的濾波器,使用溫度梯度法檢測小尺度海面溫度鋒和葉綠素濃度鋒。文獻[2]利用Canny算子對噪聲的抑制作用,使用溫度梯度算法提取出了不同尺度的海洋鋒信息。文獻[3]通過形態(tài)學梯度理論對海面鋒進行了各尺度信息的提取。文獻[4]使用Canny算子計算溫度梯度,利用形態(tài)學對經(jīng)Canny算子檢測出來的海洋鋒進行連接、細化。文獻[5]將圖像中的鋒面視為圖像邊緣,視圖通過圖像邊緣檢測算法進行海洋鋒識別。文獻[6]提出基于萬有引力模型的海洋鋒信息提取方法。文獻[7]提出一種基于Canny和數(shù)學形態(tài)學的海洋鋒檢測方法,基于數(shù)學形態(tài)學二值重構(gòu)及擊中擊不中算法,對檢測出來的海洋鋒進行再處理,確保了海洋鋒的連續(xù)性及定位準確性。文獻[8]改進了海洋鋒檢測的灰度梯度法,在基于溫度梯度檢測海洋鋒的方法中引入形態(tài)學灰度重構(gòu)算法對溫度梯度計算結(jié)果進行處理。文獻[9]闡述了利用遙感數(shù)據(jù)檢測海洋鋒的主要方法,理論分析了基于合成孔徑雷達(SAR)圖像的海洋鋒檢測方法的可行性。文獻[10]提出先將研究海域進行合理劃分,再對不同分區(qū)采取不同的判別標準進行鋒面識別。文獻[11]從實測水文資料分析、遙感資料分析和數(shù)值模擬等方面總結(jié)了中國近海海域海洋鋒的研究進展。文獻[12]提出一種利用遙感海溫數(shù)據(jù)探測海洋鋒的方法。

目前改進的海洋鋒識別方法能夠改善對局部海域的海洋鋒識別精度,但是非局部海域識別標準不統(tǒng)一的問題仍然存在。事先劃分海域的方法,需要總結(jié)大量的經(jīng)驗為海域劃分提供參考,且針對不同的海域,此工作不可重復利用,因此該方法不具有普適性。

1.2 基于深度學習的目標識別

近幾年深度學習快速發(fā)展,在圖像識別、語音識別、物體識別的等各種場景上取得了巨大的成功。卷積神經(jīng)網(wǎng)絡(CNN)在目前人工智能的發(fā)展中有著非常重要的地位。R-CNN是一種著重于解決圖像識別問題的卷積神經(jīng)網(wǎng)絡,文獻[13]提出的改進版本Mask R-CNN將解決的問題從圖像領域中的目標檢測逐步過渡到像素級的實例分割。文獻[14]利用Mask R-CNN算法對RGB圖像上的目標進行識別與分割,并通過傳感器將二維圖像坐標轉(zhuǎn)換成三維空間坐標,對目標物體進行三維建模,達到空間定位的目的。文獻[15]提出一種基于Mask R-CNN的地面標識檢測方法,通過訓練Mask RCNN神經(jīng)網(wǎng)絡學習地面標識特征。文獻[16]將深度學習應用于多尺度SAR艦船目標檢測,取得了很好的效果。文獻[17]將FC-LSTM(a Fully Connected-Long Short Term Memory)與CNN相結(jié)合提出CFCC-LSTM方法來預測海溫,成功提高了海溫預測的精度。文獻[18]提出一種基于CNN的渦旋檢測方法,將傳統(tǒng)的渦旋檢測問題轉(zhuǎn)化為一種二分類問題,能夠快速地從流場中識別出渦旋。文獻[19]將CNN應用到海洋鋒識別過程中,可以識別出目標海域中是否存在海洋鋒。文獻[20]提出海洋鋒檢測和細粒度位置的多尺度檢測框架。

基于深度學習的方法識別海洋鋒,即將人為經(jīng)驗用在單張海溫梯度圖像的鋒區(qū)標注上。雖然標注圖片的工作耗費時間,但是該工作可以重復利用并且可以很容易地應用到其他海洋參數(shù)和研究海域中。目前在海洋鋒識別領域,與深度學習相結(jié)合的工作所能得到的最好的識別效果,是可以通過海域的海表溫度圖像判斷海域中是否存在海洋鋒,但該識別結(jié)果無法準確描述海洋鋒的形態(tài)。

2 數(shù)據(jù)來源與數(shù)據(jù)處理

2.1 數(shù)據(jù)來源與格式轉(zhuǎn)化

本文使用了2014年至2016年3年中共1 011份逐日海表溫度(SST)數(shù)據(jù)作為原始數(shù)據(jù)。原始數(shù)據(jù)的地理范圍為(118°E～131°E,23°N～40°N),精度為0.08°。原始數(shù)據(jù)的來源是全球海洋環(huán)流模式(Hybrid Coordinate Ocean Model)。原始數(shù)據(jù)以NetCDF格式存儲。借助python3.6的Pandas等數(shù)據(jù)處理包,將原始數(shù)據(jù)轉(zhuǎn)化為CSV表格數(shù)據(jù),表格數(shù)據(jù)的存儲內(nèi)容主要為經(jīng)緯度坐標和對應坐標下的海表溫度值。

2.2 梯度計算

海洋鋒區(qū)中存在劇烈的海水參數(shù)躍變,而海水參數(shù)的梯度可以描述其變化的劇烈程度。因此,需要對海表溫度數(shù)據(jù)進行梯度計算,從而將對應經(jīng)緯坐標下的溫度數(shù)據(jù)轉(zhuǎn)為梯度值數(shù)據(jù),以更好地表征海洋鋒。

2.2.1 梯度計算公式

梯度計算在每個數(shù)據(jù)點的3×3鄰域中進行。對每一個數(shù)據(jù)點分別計算其垂直方向和水平方向的梯度值,再根據(jù)其水平和垂直梯度值求其總梯度值。

梯度G計算公式為:

(1)

其中:

(2)

(3)

其中,ΔX、ΔY分別是X、Y方向上的像元大小,Dx、Dy分別是水平、垂直方向的梯度大小。

2.2.2 海陸交界線處的特殊處理

梯度計算在每個數(shù)據(jù)點的3×3鄰域中進行,在海陸交界部分的數(shù)據(jù)點的鄰域內(nèi)可能同時包含陸地與海洋,為避免梯度計算時交界處海水數(shù)據(jù)點受到陸地數(shù)據(jù)點的影響,需要事先制定策略:在遍歷數(shù)據(jù)點過程中,首先對當前數(shù)據(jù)點歸屬海水還是陸地進行判斷,若是陸地數(shù)據(jù)點則直接標記,不再進行梯度計算;若是海水數(shù)據(jù)點且其鄰域的3×3網(wǎng)格內(nèi)包含數(shù)據(jù)陸地點,則將陸地數(shù)據(jù)點替換為當前海水數(shù)據(jù)點,該策略的應用效果如圖1所示。圖1(a)給出了早期渲染的梯度值圖像,由于沒有判斷陸地數(shù)據(jù)點,海洋點像素渲染范圍過大使其顏色侵蝕到了陸地像素點內(nèi)部;圖1(b)加入了陸地數(shù)據(jù)點的判斷,但由于沒有設定鄰域內(nèi)包含陸地點的海水數(shù)據(jù)點的處理規(guī)則,導致陸地像素邊界有輕微外擴;圖1(c)應用海陸交界線處的特殊處理策略,得到了最好的海陸交界線效果。

圖1 海陸交界像素細化過程Fig.1 Process of pixel refinement at the sea-land boundary

2.3 梯度數(shù)據(jù)渲染的圖像

梯度數(shù)據(jù)需要被處理為圖像,才可以被進一步標注并用于深度學習的模型訓練。

在Python3.6環(huán)境下,利用Matplotlib和PIL圖像處理包,將對應經(jīng)緯度下的梯度值按實際經(jīng)緯關系映射為顏色,從而得到梯度值圖片。顏色映射規(guī)則為“jet”顏色圖,輸出圖像大小統(tǒng)一為340像素×260像素。部分梯度值網(wǎng)格數(shù)據(jù)可視化的結(jié)果圖像如圖2所示。海水部分的顏色是通過映射其對應點位的梯度值而來,海水越高亮表示其對應梯度值越高。

圖2 經(jīng)緯范圍為(118°E～131°E,23°N～40°N)的梯度數(shù)據(jù)渲染圖像Fig.2 Rendered image of gradient data in the range of latitude and longitude (118°E～131°E,23°N～40°N)

3 Mask R-CNN網(wǎng)絡訓練過程

3.1 Mask R-CNN網(wǎng)絡

Mask R-CNN是在Faster R-CNN的基礎上,添加了一個與現(xiàn)有目標檢測框并行的用于預測目標掩碼的分支來擴展Faster R-CNN。Mask R-CNN擁有簡潔明了的思想,對于Faster R-CNN來說,每個目標對象有2個輸出:一個是類標簽(class label),另一個是邊界框的抵消值(bounding-box offset)。在此基礎上,Mask R-CNN方法增加了第3個分支的輸出:目標掩碼。目標掩碼與已有的class和box輸出的不同在于它需要對目標的空間布局有一個更精細的提取。

此外,Mask R-CNN將Faster R-CNN中的RoIPool改進為RoIAlign以消除前者的粗糙量化,同時將提取的特征和像素精準對齊。選取每個RoI分塊中的4個常規(guī)位置,使用雙線性插值計算每個位置的精確值,然后對結(jié)果進行匯總。Mask R-CNN網(wǎng)絡模型架構(gòu)如圖3所示[13]。

圖3 Mask R-CNN網(wǎng)絡模型架構(gòu)Fig.3 Network model architecture of Mask R-CNN

本文使用基于Python的Tensorflow和Keras構(gòu)建完整的Mask R-CNN結(jié)構(gòu),其結(jié)構(gòu)示意圖如圖4所示。其中,backbone部分由Resnet101和FPN(Feature Pyramid Network)組成。

圖4 Mask R-CNN總體網(wǎng)絡結(jié)構(gòu)Fig.4 Overall network structure of Mask R-CNN

3.2 樣本建立與模型訓練

本文用于訓練的樣本是通過2014年—2016年3年中共1 011天的海表溫度數(shù)據(jù)計算和渲染得到的梯度圖片。

由于梯度圖片上海洋鋒形態(tài)的多變性和形狀不固定性,海洋鋒圖片樣本的標注需要標注者始終遵循一致且合理的標注標準,存在較大困難。為簡化標注工作,本文將訓練樣本中研究范圍海域為(118°E～131°E,23°N～40°N)的海洋鋒預先劃分為9類,分別定義名字為front1～front9,標注時需要分別標注。front1～front9劃分的參考依據(jù)分別是:front1參考浙閩沿岸鋒;front2參考黑潮鋒;front3參考東海北部陸架鋒;front4參考江浙沿岸鋒;front5參考山東半島鋒;front6參考渤海沿岸鋒;front7參考朝鮮半島西鋒;front8參考朝鮮海峽鋒;front9參考朝鮮半島東部鋒。

在樣本標注的過程中,需要以標注參考圖(見圖5(a))為參考依據(jù),對連續(xù)的鋒區(qū)盡量劃分為一體,鋒區(qū)之間存在混合現(xiàn)象的要以參考圖為依據(jù)進行截斷,沒有出現(xiàn)的鋒區(qū)則不標注。標注工作必須要在統(tǒng)一標準下進行(見圖5(b))。

圖5 標注參考圖和標注圖示例Fig.5 Annotated reference map and annotated map examples

在訓練過程中,主要針對epoch、學習率和學習沖量進行了消融實驗。最后選定訓練時所使用的參數(shù)設置為:RPN錨點框尺寸為(16,32,64,128,256),RPN錨點比例為(0.5,1,2),RPN錨點步長為1,RPN的非極大值抑制閾值為0.7;此外,Epoch = 20,step_per_epoch=10,即針對本文使用的數(shù)據(jù)量batch_size為100左右,learning_rate=0.001,learning_momentum=0.9。

3.3 模型測試結(jié)果

在觀察大量連續(xù)時間上的海溫梯度圖之后,可知中國東部逐日海溫梯度圖片可大致分為3類:第1類是海洋鋒都比較活躍且各類鋒比較獨立,表現(xiàn)為梯度圖片上各鋒區(qū)位置相對明顯,如圖6(a所示,這種情況常出現(xiàn)在每年的12月與1月前后;第2類是海洋鋒活躍且發(fā)生聚集,表現(xiàn)為梯度圖片上的部分鋒區(qū)連為一體難以準確區(qū)分,如圖6(b)所示,這種情況常見于每年的2月與3月;第3類情況是海洋鋒強度較低,大部分鋒面消亡,表現(xiàn)為梯度圖片上高梯度區(qū)域大幅減少,如圖6(c) 所示,這種情況在每年夏季較為常見。其中第2類梯度圖片的誤檢和漏檢情況出現(xiàn)較多,且第2類圖片本身在人工標注時就存在困難。

圖6 3類海溫梯度示意圖Fig.6 Schematic diagram of three types of sea temperature gradient

本文選取2017年、2018年共計100張日海表溫度數(shù)據(jù)的梯度圖片,使用深度學習模型進行測試。部分測試結(jié)果展示如圖7所示,在測試結(jié)果中將檢測出的鋒面以掩膜進行覆蓋,不同方框的掩膜表示不同的海洋鋒識別結(jié)果。

圖7 部分海洋鋒識別結(jié)果Fig.7 Recognition results of partly ocean fronts

本文分別統(tǒng)計9種鋒的識別準確率,結(jié)果如表1所示。

表1 front1～front9識別準確率統(tǒng)計結(jié)果Table 1 Statistical results of recognition accuracy of front1～front9

檢測結(jié)果存在部分海域漏檢、誤檢以及檢測結(jié)果邊緣不細致等問題,問題示例圖如圖8所示,圖中粗線框部位表現(xiàn)為高梯度值像素的漏檢,虛線框部位表現(xiàn)為檢測結(jié)果邊緣不細致。造成該問題的主要原因有:訓練數(shù)據(jù)不充足,但是增加訓練數(shù)據(jù)量需要耗費大量時間;海洋鋒面邊緣十分不規(guī)則,即使在訓練數(shù)據(jù)量充足的情況下,鋒面邊緣識別的情況也不可能十分完美。由于單純的深度學習方法識別海洋鋒的效果受限,因此有必要將深度學習處理出的海洋鋒識別結(jié)果進行進一步調(diào)整。

圖8 深度學習模型識別結(jié)果Fig.8 Recognition results of deep learning model

4 基于深度學習的自適應梯度閾值識別方法

4.1 自適應梯度閾值識別方法

深度學習模型識別出的海洋鋒存在鋒面漏檢、誤檢以及邊緣不細致等問題,但是該結(jié)果中海洋鋒的主體位置和范圍是合理的,因此可以在此基礎上將鋒面進行調(diào)整就能達到更理想的效果。根據(jù)傳統(tǒng)梯度閾值法的思路,局部海域可以找到一個合理閾值作為海洋鋒的劃分標準。同樣,在目前識別結(jié)果的每一條鋒面周圍也應該存在這樣一個閾值,找到該閾值,然后根據(jù)這個閾值對當前鋒面進行收縮和擴展就可以調(diào)整當前鋒面的形態(tài)使其更加合理。通過此調(diào)整過程得出的鋒面由于在擴展時無法越過低梯度區(qū)域,因此具有較好的獨立性和整體性,而單純地對局部海域使用梯度閾值法得到的鋒面無法保證這一點。為實現(xiàn)自適應地計算閾值,需要預先對不同的閾值計算方法進行比較,這部分內(nèi)容在4.3.2節(jié)進行闡述。只要確定了閾值計算方法并且得到了深度學習訓練出的識別模型,基于深度學習的自適應梯度閾值識別方法就可以自動地在新的梯度圖片上完成海洋鋒精細化識別的全過程。

4.2 算法流程

基于深度學習的自適應梯度閾值判別方法主要由2個部分操作構(gòu)成:第1部分是通過深度學習模型對海洋鋒進行識別;第2部分是在第1部分的基礎上對海洋鋒進行形態(tài)調(diào)整,此部分主要包含鋒面輪廓提取和鋒面閾值計算兩部分,圖9給出了鋒面輪廓提取結(jié)果的示例。

圖9 識別結(jié)果圖和原始梯度圖上的鋒面輪廓Fig.9 Front profile on recognition result map and original gradient map

完成這個過程需要的輸入是梯度圖、閾值計算方法和訓練好的深度學習識別模型,其中閾值計算方法的確定在4.3.2節(jié)中通過實驗得出。

算法步驟如下:

輸入梯度圖,閾值計算方法

輸出最終識別結(jié)果圖

步驟1讀入梯度圖像,使用深度學習模型進行識別。

步驟2遍歷深度學習識別結(jié)果圖的像素。

步驟2.1根據(jù)顏色找到每一類鋒面的所有鋒點。

步驟2.2遍歷每個鋒點的3×3鄰域,若鄰域內(nèi)包含非鋒點,則當前鋒點標記為鋒面邊緣點并記錄其位置。

步驟3根據(jù)深度學習識別結(jié)果圖中鋒面邊緣點的位置,將原梯度圖中的對應點標記為鋒點。

步驟4遍歷深度學習識別結(jié)果圖中的同一類鋒的所有鋒點的梯度值,根據(jù)計算閾值方法得到該類鋒的閾值。

步驟5遍歷梯度圖中的鋒點。

步驟5.1遍歷鋒點的3×3鄰域。

步驟5.2鄰域內(nèi)的點對應的梯度值若大于該類鋒閾值,則將該點標記為該類鋒鋒點。

步驟6將每一類鋒點渲染為不同顏色,輸出最終識別結(jié)果。

自適應梯度閾值識別算法流程如圖10所示。

圖10 自適應梯度閾值識別算法流程Fig.10 Procedure of adaptive gradient threshold recognition algorithm

4.3 結(jié)果分析

4.3.1 識別精度的量化

由于海洋鋒識別工作中缺乏標準的對照結(jié)果,因此其識別的結(jié)果難以量化,導致各種識別方法之間的結(jié)果比較存在困難。為解決該問題,將人為標注的梯度圖作為基準圖,同時,將算法處理結(jié)果圖進行背景虛化以突出鋒面,然后把多余的輪廓線去除得到標準結(jié)果圖,最后以基準圖和標準結(jié)果圖之間的交并比(IOU)值作為該識別方的量化精度,量化過程如圖11所示。本文將這種精度量化方式應用到一些識別結(jié)果上,把精度量化的數(shù)字與鋒面識別效果的人為評價相比較,發(fā)現(xiàn)兩者符合度較高,可以證明這種精度的量化方式是合理的。

圖11 海洋鋒識別精度量化過程Fig.11 Process of quantification of ocean front recognition accuracy

4.3.2 閾值計算方法的比較

首先以每一類鋒包含的所有鋒點的梯度值的均值作為閾值計算方法進行測試,獲得的最終識別結(jié)果如圖12(a)所示,其量化精度為92%左右。但該結(jié)果圖中鋒面過于狹窄,對高量區(qū)域的覆蓋效果不夠好,說明該閾值過大。因此,本文以均值的1/20為步長減少該閾值,依次取每一類鋒包含的所有鋒點的梯度值均值的9/10(18/20)、17/20、4/5(16/20)、3/4(15/20)、7/10(14/20)作為鋒的閾值計算比例,得到的識別結(jié)果如圖12(b)～圖12(f)所示,其量化精度變化曲線如圖13所示,在實驗中使用3/4閾值時量化精度最高,可達到96.07%左右。

圖12 不同標準下的閾值鋒面調(diào)整結(jié)果Fig.12 Threshold front adjustment results under different standards

圖13 不同閾值計算方式下識別結(jié)果量化精度變化曲線Fig.13 Variation curve of quantification accuracy of recognition results under different threshold calculation methods

在以3/4均值作為閾值標準時(圖12(e)),在視覺效果上七號鋒會與四號、五號鋒發(fā)生覆蓋,說明在該閾值下,部分鋒區(qū)已經(jīng)難以區(qū)分彼此,該閾值過小。結(jié)合圖13中量化精度變化的規(guī)律,最合適的閾值應該在均值的3/4左右。

這種自動進行的自適應閾值計算方式,沒有與當前使用的海洋鋒參數(shù)綁定(本文使用的海洋參數(shù)是海表溫度,通過其他海洋參數(shù)如鹽度和浮游生物聚集度等同樣可以計算梯度),因此可以不加改動直接應用于使用其他海洋參數(shù)的海洋鋒識別工作。本例中閾值計算方法的比較結(jié)果可能不具有普適性(即梯度值4/5均值可能并不總是最好的閾值標準),但自適應梯度閾值識別方法可以在場景轉(zhuǎn)換時,依據(jù)同樣的過程,在深度學習模型得出的初步識別結(jié)果的基礎上,根據(jù)不同閾值計算標準下鋒面調(diào)整結(jié)果的量化精度,自動選取量化精度達到最大值時的閾值計算標準,以適應新的海域情況。

4.3.3 與深度學習模型直接識別結(jié)果的對比

調(diào)整后的鋒面圖與單純用Mask R-CNN模型識別的鋒面圖比較如圖14所示。圖14(a)是中粗線框部分有明顯的漏檢現(xiàn)象,虛線框部分的鋒面形態(tài)不理想,在圖14(b)中,調(diào)整后的鋒面對漏檢誤檢現(xiàn)象有明顯的改善,鋒面邊緣與梯度高亮區(qū)域的貼合效果也更好,這證明該調(diào)整策略是可行的。由于本文方法中的鋒面調(diào)整基于深度學習識別出的鋒面的輪廓,在合理的閾值下,不連通的高亮梯度區(qū)域不會被連接為同一鋒面,這保證了識別出的鋒面的獨立性,圖14(b)框中的高亮梯度區(qū)域未被劃分為七號或者八號鋒,說明該高亮梯度區(qū)域不與周圍其他高亮梯度區(qū)域相連通,應該考慮在訓練識別模型時作為獨立的鋒面進行標注。

圖14 調(diào)整后鋒面圖與單純用Mask R-CNN模型識別的鋒面圖結(jié)果比較Fig.14 Comparison of the results of adjusted front map and front map of simply using the Mask R-CNN model to identify

此外,將批量的單獨的深度學習結(jié)果圖通過4.3.1節(jié)中量化精度方式測量其精度,得出的精度值只有78%左右,與調(diào)整后量化精度96%相比相差較遠,這種精度差距也主要是由于深度學習直接輸出的識別結(jié)果中較多的漏檢和誤檢現(xiàn)象造成的。

由于深度學習的識別結(jié)果包含鋒區(qū)的初始位置和形態(tài),因此不必劃分海區(qū),后續(xù)的自適應閾值計算和鋒面形態(tài)調(diào)整過程可以自動進行。而先劃分海區(qū),在分海區(qū)內(nèi)使用獨立閾值進行海洋鋒識別的方法,難點在于海區(qū)劃分和每個海區(qū)內(nèi)的閾值確定,且這種方法一旦應用在新的海域,所有的工作就要重新進行。

本文提出的海洋鋒識別方法,難點主要集中在圖片標注的過程,但是標注工作的可重復利用性高。此方法在遷移使用于其他不同海域時,只需要訓練新的深度學習模型,其他部分不必做任何修改。此外,如果借助已訓練好的模型進行遷移學習,可以大幅減少所需要的新的標注圖片數(shù)量。因此,在將本文方法應用在其他海域的海洋鋒識別時,需要重做的工作只是標注新的圖片幫助深度學習的模型進行訓練。

4.3.4 與傳統(tǒng)單一閾值方法識別結(jié)果的對比

基于深度學習的自適應梯度閾值判別方法,可以針對front1～front9分別得到對應的閾值,自動地將對應閾值應用于不同的局部海域。如果將該方法中得出的front1～front9的8個不同閾值(圖中不含三號鋒)以傳統(tǒng)梯度閾值法分別作用于全圖,效果如圖15所示。較低的閾值會造成較近的鋒區(qū)之間相互交叉見(圖15(b)、圖15 (c)、圖15 (e)中虛線框區(qū)域),較高的閾值會造成鋒區(qū)破碎化嚴重(見圖15(a)、圖15 (d)、圖15 (f)、圖15 (g)、圖15 (h)中粗線框區(qū)域)。從該結(jié)果可以看出單一閾值難以對全局進行統(tǒng)一劃分。

圖15 8個不同閾值以傳統(tǒng)梯度閾值法分別作用于全圖的結(jié)果Fig.15 Results of eight different threshold acting on whole figure by traditional gradient threshold method

此外,傳統(tǒng)閾值法的量化精度變化曲線如圖16所示。最高精度在94%左右,但是精度曲線變化沒有明顯規(guī)律,無法找到最合適的閾值。

圖16 傳統(tǒng)閾值法的精度變化曲線Fig.16 Accuracy change curve of traditional threshold method

5 結(jié)束語

本文提出基于深度學習的海洋鋒自適應梯度閾值識別方法,該方法將Mask R-CNN算法應用到海洋鋒識別研究中,以此獲得像素級的海洋鋒識別結(jié)果,并利用自適應的梯度閾值對識別結(jié)果進行自動的二次精細化調(diào)整。實驗結(jié)果表明,該方法可以在一個自動化的過程下實現(xiàn)精細的海洋鋒識別,識別出的鋒面具有較好的獨立性和完整性。此外,該自動化過程可以應用于任意海洋參數(shù)和任意海域下的海洋鋒識別。本文方法深度學習部分的數(shù)據(jù)集不夠完整,導致Mask R-CNN模型識別結(jié)果精度不高,下一步將通過調(diào)整深度學習的模型結(jié)構(gòu)來提升其性能。