基于近岸海面视频的浪高实时检测预测系统

针对目前国内近岸浪高监测手段有限、监测频率和精度难以保障的问题,设计和研发了近岸海面视频监控下的浪高实时检测预测系统。根据业务需求,将系统分为视频传输、视频预处理、浪高检测、浪高预测和浪高可视化五个模块,其中视频传输模块负责所有监控视频在系统中的传输;视频预处理模块负责消除视频中干扰物对浪高检测精度的影响;浪高检测模块使用多层局部感知卷积神经网络(NIN)和支持向量回归(SVR)对海浪视频进行浪高检测;浪高预测模块使用长短期记忆网络(LSTM)对未来12小时和24小时的浪高进行预测;浪高可视化模块负责将检测所得浪高值映射为伪彩色,对浪高进行可视化。该系统支持多观测站点并行检测、站点切换、自动截断保存监控视频和存储浪高数据等功能。在国家海洋局北海预报中心的应用试验表明,该系统运行稳定,能够较好地协助浪高预报人员的工作。

近岸海浪视频浪高自动检测

目的目前基于视觉信息的海浪要素检测方法分为基于立体视觉和基于视频/图像特征的检测方法,前者对浪高的解析不稳定、模型复杂、鲁棒性较差、不能很好地满足实际应用的需求,后者主要检测海浪的运动方向和浪高等级,无法获取精确的浪高值,其中基于图像特征的检测受限于先验知识,检测稳定性较差。为此,本文结合深度学习的特征学习机制,提出了一种面向近岸海浪视频的浪高自动检测方法。方法从近岸海浪监控视频中提取视频帧图像,计算相邻两帧差分获取差分图像,通过数据预处理对静态图像集和差分图像集进行数据扩充;针对两类图像集分别设计多层局部感知卷积神经网络NIN(network in network)结构并预训练网络模型;分别用预训练的网络模型提取静态图像和差分图像的高层特征来表达空间和时间维度的信息,并融合两类特征;通过预训练支持向量回归SVR(support vactor regerssion)模型完成浪高的自动检测。结果实验结果表明,本文近岸海浪视频浪高检测方法在浪高检测上的平均绝对误差为0.109 5 m,平均相对误差为7.39%;从不同绝对误差范围内的测试集精度上可以看出,基于时间和空间信息融合的回归模型精度变化更加平稳,基于空间信息的NIN模型的精度变化幅度较大,因此本文方法有较好的检测稳定性。结论通过预训练卷积神经网络提取近岸视频图像时间和空间信息融合的方式,有效弥补了人工设计特征的不完备性,对近岸视频的浪高检测具有较强的鲁棒性,在业务化检测需求范围内(浪高平均相对误差≤20%)有着较好的实用性。