[发明专利]基于新型损失函数的卷积神经网络的海面溢油检测方法

权利要求书

1.一种基于新型损失函数的卷积神经网络的海面溢油检测方法，其特征在于，包括：

获取目标海域的多光谱遥感图像，作为待检测图像；

在所述待检测图像中选取预设数量的溢油图像和海水图像作为训练数据，基于预设的损失函数对预先构建的初始卷积神经网络进行训练，得到目标卷积神经网络，其中，所述损失函数基于统计指标构建，所述统计指标表征所述目标卷积神经网络的精确率和召回率的加权调和值；

将所述待检测图像输入所述目标卷积神经网络，预测出所述待检测图像中存在溢油的区域。

2.根据权利要求1所述的基于新型损失函数的卷积神经网络的海面溢油检测方法，其特征在于，所述损失函数经由如下公式确定：

其中，CBF Loss表示所述损失函数，F_αi表示第i类的统计指标，m表示所述目标卷积神经网络的分类数量，表示第i类的类平衡项，n_i代表第i类的样本数量，P_i表示第i类的精确率，R_i表示第i类的召回率，α表示预先设定的精确率和召回率的调和参数，β表示预设的类平衡参数，该参数基于所述目标海域的多光谱遥感图像确定。

3.根据权利要求2所述的基于新型损失函数的卷积神经网络的海面溢油检测方法，其特征在于，所述目标卷积神经网络包括输入层、批量归一化层、卷积层和全连接层，其中，

所述输入层用于从所述待检测图像中提取出预设大小的像素块；

所述批量归一化层用于对所述像素块进行归一化处理；

所述卷积层用于从归一化后的像素块中提取出像素块特征信息；

所述全连接层用于基于所述特征信息确定所述待检测图像中各个像素点的类别。

4.根据权利要求3所述的基于新型损失函数的卷积神经网络的海面溢油检测方法，其特征在于，所述批量归一化层采用如下公式表征的操作对所述像素块进行归一化处理：

其中，表示所述批量归一化层的输出量，E(Z)表示的期望值，Var(Z)表示的方差，γ和ξ表示待学习的参数。

5.根据权利要求4所述的基于新型损失函数的卷积神经网络的海面溢油检测方法，其特征在于，所述卷积层采用如下激活函数：

其中，表示激活后的值，Z表示激活前的值。

6.根据权利要求5所述的基于新型损失函数的卷积神经网络的海面溢油检测方法，其特征在于，所述卷积层采用如下公式表征的操作从归一化后的像素块中提取出所述像素块的特征信息：

其中，Z表示所述卷积层输出的结果，p、q分别表示卷积核的行数和列数，w_i表示所述卷积核中对应于所述像素块中i点的权值，v_i表示所述卷积核中对应于所述特征图中i点的像素值，b表示偏置值。

7.根据权利要求6所述的基于新型损失函数的卷积神经网络的海面溢油检测方法，其特征在于，所述目标卷积神经网络经由如下步骤训练得到：

在所述待检测图像中选取预设数量的溢油图像和海水图像；

分别获取每个所述溢油图像和每个海水图像的人工目视解译图像；

将所述溢油图像和所述海水图像作为样本图像，将所述样本图像对应的人工目视解译图像作为该样本图像的样本标签，构建样本集；

将所述样本集中的样本图像输入预先构建的初始卷积神经网络，将该样本图像的样本标签作为期望输出，基于所述损失函数训练所述初始卷积神经网络，得到训练后的目标卷积神经网络。

8.根据权利要求7所述的基于新型损失函数的卷积神经网络的海面溢油检测方法，其特征在于，所述构建样本集的步骤还包括：对每一个所述样本图像执行样本拓展步骤，得到拓展后的样本图像；将该样本图像的样本标签作为所述拓展后的样本图像的样本标签；将所述拓展后的样本图像及其样本标签加入所述样本集。