一种利用多波束图像进行海底滑坡实时识别的方法技术

本发明专利技术提供了一种利用多波束图像进行海底滑坡实时识别的方法。该方法能够快速实时识别海底滑坡。即利用多波束数据处理技术对海底地形地貌多波束资料进行处理，获取可以表征海底滑坡地形地貌特点的图像的特征值，建立海底滑坡形态结构与多波束图像特征值之间的对应关系，实现基于迁移学习方法的海底滑坡图像识别。该方法仅依赖较少的海底滑坡多波束图像，以及用以提取图像特征值的迁移学习算法的不断改进，具有操作简单，时间短，识别准确率高等优点，与传统海底滑坡识别解译方法相比，能够克服传统方法需要大量多波束图像和地震剖面数据和大量专业人员的缺点。数据和大量专业人员的缺点。数据和大量专业人员的缺点。

【技术实现步骤摘要】
一种利用多波束图像进行海底滑坡实时识别的方法


[0001]本专利技术涉及海底滑坡识别
，具体而言，特别涉及一种利用多波束图像进行海底滑坡实时识别的方法。

技术介绍

[0002]海底滑坡一般是指在地震、海啸、高沉积速率、火山、水合物分解等因素的诱发下，快速沉积的结构疏松欠压实沉积物沿大陆滑动面发生块体搬运的过程，是广泛发生在大陆坡的一种重力流搬运机制，包括滑动、滑塌和碎屑流等重力流作用过程。
[0003]海底滑坡无论是被动大陆边缘还是活动大陆边缘都广泛发育，大小规模不等，最大可以达到几千平方千米，因此海底滑坡容易对海洋钻井平台，海底光缆等海洋工程设施产生破坏。
[0004]对于这种危害性极大的海洋地质灾害，传统的探测和识别方法主要是通过多波束系统对海底地貌进行探测，多道地震系统对海底地层结构进行探测，通过获取的海底地貌和地层结构进行海底滑坡的识别。
[0005]本专利技术中为克服可用研究图像少的问题，引入了迁移学习方法。迁移学习是目前最为流行的深度学习方法，主要是通过将从源域数据中获取的经验和知识，应用到目标域的分类或者回归任务中，从而克服目标域中数据少的缺点，而达到较好的训练效果的。
[0006]迁移学习按照学习方法可以分为四类：基于样本的迁移学习，基于特征的迁移学习，基于模型的迁移学习，基于关系的迁移学习。最常用的效果最好的方法是基于模型的迁移。基于模型的迁移是指从源域和目标域中找到其共享的参数，假设目标任务和源域任务之间共享一些参数，或者共享模型超参数的先验分布，这样把源域的模型迁移到目标任务中，可以达到较好的精度。基于模型的迁移包括2个阶段，分别是预训练阶段和微调阶段，预训练阶段是指利用大型数据集进行训练（比如ImageNet），获取训练效果最好的模型；其中预训练好的模型包括Xception, VGG16, VGG19, ResNet50, InceptionV3, IncetionResNetV2, MobileNet等模型。微调阶段是利用预训练的模型，针对目标任务进行微调，从而获取较好的结果。
[0007]由于全球海底滑坡数量众多，利用多波束图像和地震剖面资料进行海底滑坡的识别和解译，这种传统方法存在2个基本问题：1、数据难得：进行海底滑坡识别所需的高精度多波束资料难得，地震剖面资料的获取花费巨大；2、进行人工解译，需要专业技术人员，时间长，效率低，人力物力耗费巨大。因此，进行海底滑坡的高效快速识别和解译是一项重要的研究工作，本专利技术了一种利用多波束图像进行海底滑坡实时识别的系统及方法。

技术实现思路

[0008]为了弥补现有技术的不足，本专利技术提供了一种利用多波束图像进行海底滑坡实时识别的方法。该方法能够快速实时识别海底滑坡。即利用多波束数据处理技术对海底地形地貌多波束资料进行处理，获取可以表征海底滑坡地形地貌特点的图像的特征值，建立海
底滑坡形态结构与多波束图像特征值之间的对应关系，实现基于迁移学习方法的海底滑坡图像识别。该方法仅依赖较少的海底滑坡多波束图像，以及用以提取图像特征值的迁移学习算法的不断改进，具有操作简单，时间短，识别准确率高等优点，与传统海底滑坡识别解译方法相比，能够克服传统方法需要大量多波束图像和地震剖面数据和大量专业人员的缺点。
[0009]本专利技术是通过如下技术方案实现的：一种利用多波束图像进行海底滑坡实时识别的方法，其特征在于,具体包括以下步骤：步骤S1：通过船载高精度多波束测深系统获取高精度海底地形地貌多波束图像，多波束数据包括多波束测深数据、多波束回波数据和多波束水体数据；步骤S2：利用多波束数据处理软件对多波束测深数据处理，从而获取海底地貌高精度多波束测深图，即海底地形图；步骤S3：利用海底滑坡自动识别模型对海底滑坡范围进行检测识别；包括两个部分，第一部分为海底滑坡自动识别模型的构建，第二部分为利用构建的模型对获取的海底地形图进行检测，完成对海底滑坡的检测识别；步骤S4：将海底滑坡识别模型的输出结果作为海底滑坡初步检测结果，将滑坡检测结果通过实时显示装置终端实时呈现。
[0010]作为优选方案，步骤S3中的第一部分包括3个子步骤,具体包括以下步骤：S311：建立海底滑坡验证集；建立包含1600个海底滑坡图像的海底滑坡验证集，在构建海底滑坡数据集时，用标注软件labelme进行标注，其中黑色实线为海底滑坡形态特征示意图，可明显分辨出海底滑坡的滑坡后壁和走滑方向以及滑坡范围；S312：利用ImageNet图像集训练基础模型，选择不同结构的基础训练模型；ImageNet图像集共有14197122幅图像，分为21841个类别，选择Xception，VGG16，VGG19，ResNet50和ResNet152五种基础训练模型；S313：通过海底滑坡验证集对基础模型进行微调；修改模型结构中的全连接层，将原来全连接层的10个输出类别修改为2个输出类别，即是海底滑坡与非海底滑坡；同时通过冻结模型结构尾部的多层结构，经过对比不同冻结层数的训练效果，最终选择冻结2层效果最好。
[0011]进一步地，基础训练模型选择ResNet152为基础模型，该模型结构包括输入层，输出层，卷积层，全连接层，最大池化层，输入层是指输入图像的接口，输入图像为RGB图像，图像大小无要求；输出层是指经过模型处理后模型的输出结果，即对海底地形是否为海底滑坡的判断情况；该模型由150个卷积层组成了模型中的50个三层残差模块，同时为了最大化的保留图像所包含的细节和特征，在进行模型架构时，当缩小图像尺寸（size）时便增加图像的通道数（channels）。
[0012]作为优选方案，步骤S3中的第二部分,具体包括以下步骤：通过海底滑坡验证集学习海底滑坡形态特征，对实时获取的高精度海底地形图，分析多波束海底地形图中与海底滑坡形态特征相匹配的地貌元素，并将该地貌元素作为海底滑坡识别结果进行输出，最终获得该海底地形中的海底滑坡范围。
[0013]作为优选方案，步骤S4中的实时显示装置包括高清显示器和数据接口，该实时显
示装置与海底多波束图像显示系统相连接，可将步骤3检测后的海底地形图进行显示，并将检测出的海底滑坡的范围进行特殊显示。
[0014]本专利技术由于采用了以上技术方案，与现有技术相比使其具有以下有益效果：1. 能够进行海底滑坡的实时的自动识别，极大的缩短了海底滑坡识别的工作时间，减少了人力物力的浪费。能够在科考船上通过多波束测深系统实施识别海底滑坡，极大的缩短了海底滑坡解译工作时间。
[0015]2.不需要大量的多道地震勘探工作获取地震剖面资料，只需要利用较少的多波束资料即可完成海底滑坡识别工作，避免了大量勘测资源的浪费。
[0016]3.进行海底滑坡识别为海底工程地质灾害调查提供有效辅助，获取海底滑坡分布特征可以用于海洋地质环境的预警系统的开发和预防措施。
[0017]4.提出的迁移学习方法能够克服训练数据少的问题，通过迁移学习的方法能够获得较高的识别准确率，整体稳定性高，能够适用于全球各个区域的海底滑坡识别工作。...

【技术保护点】

【技术特征摘要】
1.一种利用多波束图像进行海底滑坡实时识别的方法，其特征在于,具体包括以下步骤：步骤S1：通过船载高精度多波束测深系统获取高精度海底地形地貌多波束图像，多波束数据包括多波束测深数据、多波束回波数据和多波束水体数据；步骤S2：利用多波束数据处理软件对多波束测深数据处理，从而获取海底地貌高精度多波束测深图，即海底地形图；步骤S3：利用海底滑坡自动识别模型对海底滑坡范围进行检测识别；包括两个部分，第一部分为海底滑坡自动识别模型的构建，第二部分为利用构建的模型对获取的海底地形图进行检测，完成对海底滑坡的检测识别；步骤S4：将海底滑坡识别模型的输出结果作为海底滑坡初步检测结果，将滑坡检测结果通过实时显示装置终端实时呈现。2.根据权利要求1所述的一种利用多波束图像进行海底滑坡实时识别的方法,其特征在于,所述步骤S3中的第一部分包括3个子步骤,具体包括以下步骤：S311：建立海底滑坡验证集；建立包含1600个海底滑坡图像的海底滑坡验证集，在构建海底滑坡数据集时，用标注软件labelme进行标注，其中黑色实线为海底滑坡形态特征示意图，可明显分辨出海底滑坡的滑坡后壁和走滑方向以及滑坡范围；S312：利用ImageNet图像集训练基础模型，选择不同结构的基础训练模型；ImageNet图像集共有14197122幅图像，分为21841个类别，选择Xception，VGG16，VGG19，ResNet50和ResNet152五种基础训练模型；S313：通过海底滑坡验证集对基础模型进行微调；修改模...

【专利技术属性】
技术研发人员：贾永刚，郭煦，王慧，陈天，田兆阳，卢龙玉，
申请(专利权)人：中国海洋大学，
类型：发明
国别省市：