[发明专利]基于深度学习的海洋中尺度涡分类识别方法

摘要

本发明公开了一种基于深度学习的海洋中尺度涡旋分类识别方法。本方法涉及了物理海洋，计算机图形图像处理，机器学习领域。该算法主要包括模型构建、后向处理、模型算法调整。首先，模型构建，采用多种训练策略，基于卷积神经网络算法，对中尺度涡旋分类模型进行训练，建立涡旋分类模型，实现中尺度涡旋高效分类。第二，后向处理，根据模型输出的概率密度图，定位高概率涡旋像素，对重复涡旋图像进行合并剔除，对错误分类的数据进行回收。最后，模型算法调整，将错误分类数据加入训练数据集对模型进行再训练，建立识别模型，最终确定涡旋所在海区位置。实践证明，该方法提高了涡旋自动分类识别效率，扩展了深度学习在海洋领域的应用。

主权项

1.一种基于深度学习的海洋中尺度涡分类识别方法，其特征在于：包括如下步骤：1、建立分类模型的训练数据：①采用经典的基于SLA闭合等值线的中尺度涡识别算法，对全球中尺度涡进行识别，建立多年中尺度涡识别数据集作为真实数据集；②根据每天识别的中尺度涡所在位置，在全球SLA数据中，按照统一的9×9像素大小进行气旋、反气旋和非涡旋图像的抽取；③将抽取的图像按照时间序列进行分割，形成训练数据集、测试数据集和验证数据集，且每一组数据中气旋、反气旋和非气旋所占比例为1:1:1，对气旋、反气旋和非气旋分别进行1、2、3标记，至此建立一套训练数据，命名为SLA分类训练数据；④将全球SLA数据进行高斯滤波用以去除大尺度海洋特征，然后同样根据涡旋所在位置，按照统一的9×9像素大小进行气旋、反气旋和非涡旋图像的抽取，重复上述步骤③建立一套训练数据，命名为SLA‑filtered分类训练数据；2、建立中尺度涡分类模型：①深度学习网络搭建，采用CAFFE深度学习框架作为中尺度涡分类和识别模型的训练环境，根据框架要求正确组织各数据集的格式，并做好配置文件；②针对SLA训练数据和SLA‑filtered训练数据采用LeNet模型进行模型训练，建立中尺度涡分类模型，命名为CNN‑Classification，用于气旋涡、反气旋涡和非涡旋图像的分类；3、将经过高斯滤波的全球SLA数据进行滑动抽取图像，抽取的图像按照时间序列进行分割，然后对比真实涡旋所在位置，对抽取的图像按照气旋、反气旋、非涡旋进行1、2、3标记，同时对抽取的每幅图像所在SLA数据中的位置进行记录，最终形成识别训练数据集、识别测试数据集和识别验证数据集，至此建立一套识别训练数据，命名为SLA识别训练数据；4、建立中尺度涡识别模型：①将步骤3中建立的SLA识别训练数据中的识别训练数据集作为CNN‑Classification模型的输入，对数据进行分类；②运用分类模型针对图像中每个像素为气旋、反气旋和非气旋像素的可能性而给出的概率，分别形成针对气旋涡、反气旋涡和非涡旋的全海域的概率密度图；③采用高通滤波对三种概率密度图进行滤波处理，将概率为90％以上的像素标记形成标识掩膜，并与真实数据进行比对，对分类错误的数据进行收集，并根据真实数据进行正确标记；④将SLA识别训练数据的识别训练数据集中正确分类的图像样例和上述③中所收集的错误样例数据，进行整合对CNN‑Classification模型中的参数进行调整再训练，得到中尺度涡识别模型，命名为CNN‑Detection模型；⑤运用CNN‑Detection模型重复上述②和③即可得到识别涡旋所在位置和精度。