一种基于浮标观测数据的海洋内波检测方法技术

本发明专利技术涉及人工智能的技术领域，公开了一种基于浮标观测数据的海洋内波检测方法，其特征在于：获取浮标剖面海流观测数据，绘制流速剖面时序图，对所述流速剖面时序图中显示的内波开始结束范围进行标注，构建海洋内波流速剖面图像样本库，利用所述海洋内波流速剖面图像样本库对深度学习神经网络模型进行训练，然后，利用训练好的深度学习神经网络模型对待检流速剖面时序图进行检测，并计算检测出的内波的发生和结束时刻。本发明专利技术通过浮标剖面海流观测数据解决传统的基于遥感数据的内波检测方法所存在的问题，不受大气环境因素的影响，及时对内波进行持续的实时检测，并且可以检测到不明显内波现象。不明显内波现象。不明显内波现象。

【技术实现步骤摘要】
一种基于浮标观测数据的海洋内波检测方法


[0001]本专利技术属于人工智能的
，具体涉及一种基于浮标观测数据的海洋内波检测方法。

技术介绍

[0002]目前针对海洋内波的检测技术主要依赖于遥感图像数据，基于遥感图像开展的内波检测技术受到云量以及降水等大气环境因素的影响，只能在无云或少云的情况下进行检测，并且一般的卫星轨道周期长，需要等待数十分钟或几小时才能获取到最新的遥感图像，导致对内波的检测存在较大延时，同时，遥感图像数据的分辨率通常较低，遥感卫星只能观测到较明显的内波现象，但是内波活动发生在水下，水面现象并不明显，导致内波的检测存在疏漏，进一步对海上作业的安全构成威胁。

技术实现思路

[0003]本专利技术提供一种基于浮标观测数据的海洋内波检测方法，以浮标剖面海流观测数据作为数据基础，利用深度学习神经网络模型完成对海洋内波的预测，浮标不受大气环境因素的影响，每隔几秒或几分钟就可以获取到最新数据，而且浮标可以获取到局部海域水下的温度、盐度、深度、流速等水文信息，能够精确观测到各种明显或不明显的内波现象，为深度学习神经网络模型的预测提供准确的数据基础，提高后续的预测精度。
[0004]本专利技术可通过以下技术方案实现：
[0005]一种基于浮标观测数据的海洋内波检测方法，获取浮标剖面海流观测数据，绘制流速剖面时序图，对所述流速剖面时序图中显示的内波开始结束范围进行标注，构建海洋内波流速剖面图像样本库，利用所述海洋内波流速剖面图像样本库对深度学习神经网络模型进行训练，然后，利用训练好的深度学习神经网络模型对待检流速剖面时序图进行检测，并计算检测出的内波的发生和结束时刻。
[0006]进一步，根据流速剖面时序图的自身特性，标记其上流速的起止时间为(M,N)，其图像尺寸为W
×
H，检测出的内波位置标记为(x
i
,y
i
,w
i
,h
i
)，其中，x
i
,y
i
表示检测出内波开始的位置坐标，w
i
,h
i
表示检测出内波的开始结束范围对应的矩形框宽度和高度，利用如下方程式计算内波的开始时间m
i
和结束时间n
i
。
[0007][0008][0009]进一步，使用标注工具labelImg，对流速时剖面时序图显示的内波开始结束范围进行标注，包括明显内波和不明显内波，所述明显内波设置为有上下两个波核且核心为红色，上层波核为深蓝色，下层波核为深黄色；所述不明显内波设置为有两个波核，上层波核为浅蓝色，下层波核为浅黄色。
[0010]进一步，所述深度学习神经网络模型包括Faster RCNN模型、YOLOv5模型，并使用
召回率Recall和平均精度均值mAP作为评价指标。
[0011]本专利技术有益的技术效果在于：
[0012]与传统的内波检测和预报方法相比，本专利技术基于浮标剖面海流观测数据，利用深度学习目标检测技术构建海洋内波检测模型，实现内波的准确检测，提高了检测效率，并且通过浮标剖面海流观测数据解决传统的基于遥感数据的内波检测方法所存在的问题，不受大气环境因素的影响，及时对内波进行持续的实时检测，并且可以检测到不明显内波现象。
附图说明
[0013]图1为本专利技术的总体流程示意图；
[0014]图2为本专利技术的明显内波的示意图；
[0015]图3为本专利技术的不明显内波的示意图；
[0016]图4为本专利技术的海洋内波检测模型的网络结构示意图。
具体实施方式
[0017]下面结合附图及较佳实施例详细说明本专利技术的具体实施方式。
[0018]如图1所示，本专利技术提供了一种基于浮标观测数据的海洋内波检测方法，获取浮标剖面海流观测数据，绘制流速剖面时序图，对所述流速剖面时序图中显示的内波开始结束范围进行标注，构建海洋内波流速剖面图像样本库，利用所述海洋内波流速剖面图像样本库对深度学习神经网络模型进行训练，然后，利用训练好的深度学习神经网络模型对待检流速剖面时序图进行检测，并计算检测出的内波的发生和结束时刻。具体如下：
[0019]S1、获取浮标剖面海流观测数据，绘制流速剖面时序图，对图像进行内波开始结束范围的标注，构建海洋内波流速剖面图像样本库。如获取南海区域浮标剖面海流观测数据(2020.05.10
‑
2020.05.29)，使用MATLAB绘制总计8040张流速剖面时序图，其中，5月10日到5月26日的7083幅图像作为训练数据，剩余5月27日到5月29日的957幅图像作为测试数据进行检测结果分析。
[0020]S2、依据目标检测Pascal VOC数据标注格式，使用LabelImg标注工具对所有内波流速时序图进行标注，在标注时需要对明显和不明显内波同时进行标注，其中，明显内波有上下两个波核且核心为红色，上层波核为深蓝色，下层波核为深黄色，分层明显，且颜色很深，如附图2；不明显的内波也有两个波核，上层波核为浅蓝色，下层波核为浅黄色，颜色较浅，如附图3。
[0021]在图像中标注出内波的发生区间，生成标注文件，最后根据每张时序图的开始结束时间和标注的内波在图像中的位置进行内波时间匹配，得到海洋内波流速剖面图像样本库。
[0022]S3、基于海洋内波流速剖面图像样本库，利用深度学习目标检测Faster R
‑
CNN算法建立海洋内波检测模型，网络结构如图4，Backbone网络采用Resnet
‑
50，调节增强方式、学习速率、迭代次数等参数使模型精度达到最优，使用召回率Recall和平均精度均值mAP作为评价指标，在满足训练结束条件后保存海洋内波检测模型的参数。
[0023]在获得训练好的海洋内波检测模型后，利用海洋内波流速剖面图像样本库的剩余图像对海洋内波检测模型进行测试，获取其中内波所在区域图像的宽和高以及内波的开始
位置，检测结束后计算检测到的每一个内波的开始结束时间，操作人员检查结果是否准确，如不准确则将测试图像进行标注放入训练集中重新训练模型。
[0024]S4、在检测到内波时，输出内波的位置，所属位置以矩形框表示，表示方法为B(x
i
,y
i
,w
i
,h
i
)，其中，x
i
,y
i
为内波所在区域的矩形框的左上角坐标，w
i
,h
i
为矩形框的宽和高，计算内波的发生结束时刻，具体如下：
[0025]待检内波流速时序图的尺寸为W
×
H，记录流速的时间起止时间为(M,N)，经过海洋内波检测模型预测到的一个内波位置为(x
i
,y
i
,w
i
,h
i
)，内波的开始坐标为x
i
，结束坐标为x
i本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于浮标观测数据的海洋内波检测方法，其特征在于：获取浮标剖面海流观测数据，绘制流速剖面时序图，对所述流速剖面时序图中显示的内波开始结束范围进行标注，构建海洋内波流速剖面图像样本库，利用所述海洋内波流速剖面图像样本库对深度学习神经网络模型进行训练，然后，利用训练好的深度学习神经网络模型对待检流速剖面时序图进行检测，并计算检测出的内波的发生和结束时刻。2.根据权利要求1所述的基于浮标观测数据的海洋内波检测方法，其特征在于：根据流速剖面时序图的自身特性，标记其上流速的起止时间为(M,N)，其图像尺寸为W
×
H，检测出的内波位置标记为(x
i
,y
i
,w
i
,h
i
)，其中，x
i
,y
i
表示检测出内...

【专利技术属性】
技术研发人员：徐思瑜，陈亮，沈哲涵，熊学军，赵红波，
申请(专利权)人：上海海洋大学，
类型：发明
国别省市：