改进Mask R-CNN模型的海洋锋检测

目的海洋锋的高效检测对海洋生态环境变化、渔业资源评估、渔情预报及台风路径预测等具有重要意义。海洋锋具有边界信息不明显且多变的弱边缘性,传统基于梯度阈值法及边缘检测的海洋锋检测方法,存在阈值选择不固定、判定指标不一致导致检测精度较低的问题。针对上述问题,基于Mask R-CNN(region convolutional neural network)提出一种改进的海洋锋自动检测方法。方法兼顾考虑海洋锋的小数据量及弱边缘性,首先对数据扩增,并基于不同算法对海表温度(sea surface temperatures,SST)遥感影像进行增强;其次,基于迁移学习的思想采用COCO(common objects in context)数据集对网络模型进行初始化;同时,对Mask R-CNN中残差神经网络(residual neural network,ResNet)和特征金字塔模型(feature pyramid network,FPN)分别进行改进,在充分利用低层特征高分辨率和高层特征的高语义信息的基础上,对多个尺度的融合特征图分别进行目标预测,提升海洋锋的检测精度。结果为验证本文方法的有效性,从训练数据和实验模型上分别设计多组对比实验。实验结果表明,相比常用的Mask R-CNN和YOLOv3(you only look once)神经网络,本文方法对SST梯度影像数据集上的海洋锋检测效果最好,海洋锋的定位准确率(intersection over union,IoU)及检测平均精度均值(mean average precision,mAP)达0.85以上。此外,通过对比分析实验结果发现,本文方法对强海洋锋的检测效果明显优于弱海洋锋。结论本文根据专家经验设立合理的海洋锋检测标准,更好地考虑了海洋锋的弱边缘性。通过设计多组对比实验,验证了本文方法对海洋锋的高精度检测效果。

M-PSPNet多尺度海洋温度锋检测方法

海洋温度锋作为一种重要的中尺度海洋现象,是影响海洋热量交换与物质运输以及海气相互作用的关键因素,实现其精准检测是分析海洋锋时空变化及海洋气象动态监测的重要基础。海洋混合、温度变化缓慢导致海洋温度锋具有小目标、弱边缘的特性,针对传统的边缘检测和现有的深度学习方法存在形态刻画不准确和像素误检等问题,本文提出M-PSPNet多尺度海洋温度锋检测方法。该方法通过设计多尺度特征提取模块(Multi-ResNet),在保留浅层学习网络中获得的空间、位置特征的同时,结合深层网络获取的语义特征,提升模型对边缘轮廓、位置信息的检测能力;此外,该方法引入Dice_(loss)与Focal_(loss)组合的混合损失函数DF_(loss),引导模型注重预测结果与标注值的像素级差异,提高锋面像素检测的准确性。为验证方法的有效性,本文基于实验模型设计多组对比实验,实验结果显示:本文M-PSPNet多尺度海洋温度锋检测方法的交并比、查全率、查准率和F1值4项指标分别达到了78.79%、89.59%、86.95%、88.25%,检测效果明显优于对比方法;相比采用ResNet-50模块的模型检测结果,交并比、查全率、F1值3项指标分别提高了14.78%、19.15%、10.13%;相比采用单个损失函数的模型检测结果,交并比、查全率及查准率指标分别提高了1.4%、1.55%、5.1%;对比分析结果表明,本文提出的模型能精准定位海洋温度锋的位置、边缘轮廓,刻画出准确的锋面形态。