-
题名近岸海浪视频浪高自动检测
被引量:3
- 1
-
-
作者
宋巍
周旭
毕凡
郭东琳
高松
贺琪
白志鹏
-
机构
上海海洋大学信息学院
国家海洋局北海预报中心
山东省海洋生态环境与防灾减灾重点实验室
中国人民解放军
-
出处
《中国图象图形学报》
CSCD
北大核心
2020年第3期507-519,共13页
-
基金
国家重点研发计划项目(2016YFC1401902)
上海市科委部分地方院校能力建设项目(17050501900)
中国—东盟海上合作基金(000160007)。
-
文摘
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。
-
关键词
浪高检测
近岸海浪视频
深度学习
多层局部感知卷积神经网络
特征提取
-
Keywords
wave height detection
nearshore wave video
deep learning
network in network architecture
feature extraction
-
分类号
TP301.6
[自动化与计算机技术—计算机系统结构]
-
-
题名基于视频时空特征学习的近岸海浪周期检测
- 2
-
-
作者
宋巍
陈媛媛
贺琪
杜艳玲
-
机构
上海海洋大学信息学院
-
出处
《激光与光电子学进展》
CSCD
北大核心
2021年第24期106-116,共11页
-
基金
国家自然科学基金(61972240,41906179)
上海市科委部分地方院校能力建设项目(2005051900)。
-
文摘
近岸海浪周期检测对于近岸精细化海洋预报至关重要。为此,提出一种新的基于视频时空特征学习的近岸海浪周期自动化检测方法。所提方法以连续海浪视频帧为输入,首先利用二维卷积神经网络(2D-CNN)提取视频帧的空间特征,将空间特征在时间维度上拼接成序列,再通过一维卷积神经网络(1D-CNN)提取时间维度特征,这种复合卷积神经网络(CNN-2D1D)能够实现海浪时空信息的有效融合,最后采用注意力机制对融合后的特征进行权重调整,并将所得结果线性映射为海浪周期。将所提方法与基于VGG16网络的单纯空间特征的检测方法和基于ConvLSTM和三维卷积(C3D)网络的时空特征融合的检测方法进行对比。实验结果表明,C3D和CNN-2D1D的检测精度最高,平均绝对误差分别为0.47 s和0.48 s,但CNN-2D1D比C3D的检测结果更稳定,均方根误差分别为0.66和0.81,且CNN-2D1D需要的训练参数更少,这表明所提方法在波浪周期检测中更有效。
-
关键词
海洋光学
波浪周期检测
时空融合特征
融合卷积神经网络
近岸海浪监控视频
深度学习
-
Keywords
oceanic optics
wave period detection
spatiotemporal fusion features
fusion convolutional neural network
nearshore wave surveillance video
deep learning
-
分类号
TP301.6
[自动化与计算机技术—计算机系统结构]
-