文莉莉 孫 苗 鄔 滿

(1.廣西壯族自治區(qū)藥用植物園 信息產(chǎn)業(yè)辦,南寧 530023；2.自然資源部 海洋信息技術(shù)創(chuàng)新中心,天津 300171；3.國家海洋信息中心 海洋信息化部,天津 300171；4.廣西壯族自治區(qū)海洋研究院 信息科,南寧 530022；5.廣西大學(xué) 電氣工程學(xué)院,南寧 530002)

0 引 言

我國海域遼闊、岸線漫長、島嶼眾多,擁有大陸岸線18 000 多千米,主張管轄海域面積約300 萬平方千米[1]。隨著我國經(jīng)濟(jì)社會(huì)的高速發(fā)展,沿海地區(qū)對(duì)海洋資源的開發(fā)力度持續(xù)加大,我國海洋管理面臨著越來越嚴(yán)峻的挑戰(zhàn),但受開發(fā)理念、開發(fā)方式、監(jiān)管困難及利益驅(qū)動(dòng)等多方面的影響,我國沿海違規(guī)開發(fā)(偷填、超填、閑置)、隨意圍墾種養(yǎng)殖、破壞紅樹林等生態(tài)環(huán)境、盜采海砂、非法挖礦采石、垃圾偷排與傾倒等行為使海洋資源與生態(tài)環(huán)境受到嚴(yán)重破壞[2]。特別是2017 年以來,國家海洋督察組、環(huán)保督察組的輪番督察督辦,更是彰顯了國家對(duì)海洋資源與環(huán)境的重視。

海洋開發(fā)與海洋經(jīng)濟(jì)發(fā)展形勢(shì)日趨復(fù)雜,海洋資源環(huán)境管理面臨的壓力越來越大。然而,目前大部分問題的發(fā)現(xiàn)仍然依靠群眾舉報(bào)、執(zhí)法船只巡航、實(shí)地考察調(diào)查、人工對(duì)比遙感影像等高成本、低效率的方式,受天氣影響大,且存在嚴(yán)重的滯后性,無法實(shí)現(xiàn)快速有效地對(duì)大范圍海域的全天候動(dòng)態(tài)監(jiān)管。僅依靠這些傳統(tǒng)的人工監(jiān)管手段已難以滿足需求,因此利用大數(shù)據(jù)、人工智能等新技術(shù),結(jié)合日益豐富的高分辨率遙感數(shù)據(jù),建立智能的大范圍、全天候、動(dòng)態(tài)監(jiān)管體系勢(shì)在必行[3-4]。

筆者依托海量影像、海洋基礎(chǔ)數(shù)據(jù)、涉海規(guī)劃數(shù)據(jù),以深度學(xué)習(xí)技術(shù)為框架,在研究多規(guī)融合分析處理的基礎(chǔ)上,構(gòu)建海上目標(biāo)與用海類型深度學(xué)習(xí)樣本庫；利用深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)對(duì)樣本庫進(jìn)行訓(xùn)練,建立智能識(shí)別模型,用于海上目標(biāo)的智能識(shí)別、非法用海占海與破壞生態(tài)環(huán)境行為的自動(dòng)判斷與預(yù)警。

1 基于Faster R-CNN的海上目標(biāo)識(shí)別與用海行為分析

傳統(tǒng)目標(biāo)檢測(cè)與識(shí)別的方法大多需要認(rèn)真設(shè)定目標(biāo)的特征,這種方法工作量大,特征設(shè)置困難[5]。目前,深度學(xué)習(xí)已經(jīng)在多個(gè)領(lǐng)域取得突破。然而,將深度學(xué)習(xí)用于海上目標(biāo)檢測(cè)方面的研究和應(yīng)用還比較少[6]。其中一個(gè)關(guān)鍵的問題是樣本集建立困難,目前尚無公開可用的海上目標(biāo)檢測(cè)數(shù)據(jù)集。目前用于海上目標(biāo)檢測(cè)的方法大多為傳統(tǒng)方法,如HOG(Histogram of Oriented Gradient)+SVM(Support Vector Machine)、DPM(Deform able Part Model)等,這些方法對(duì)光照、形態(tài)變化、遮擋等魯棒性不強(qiáng),并且檢測(cè)精度和實(shí)時(shí)性方面遠(yuǎn)比不上近些年來越來越受關(guān)注的深度學(xué)習(xí)方法[7]。

2019 年,袁明新等[8]提出一種基于深度學(xué)習(xí)的海上艦船目標(biāo)檢測(cè)方法。該方法利用卷積神經(jīng)網(wǎng)絡(luò)、區(qū)域建議網(wǎng)絡(luò)及Fast R-CNN(Regions with Convolutional Neural Networks features) 檢測(cè)框架構(gòu)建了艦船檢測(cè)系統(tǒng)。該系統(tǒng)通過共享的卷積神經(jīng)網(wǎng)絡(luò)提取特征；通過區(qū)域建議網(wǎng)絡(luò)生成候選區(qū)域；通過Fast R-CNN框架實(shí)現(xiàn)目標(biāo)檢測(cè)識(shí)別,從而實(shí)現(xiàn)端到端的艦船目標(biāo)檢測(cè)。實(shí)驗(yàn)結(jié)果表明,相比傳統(tǒng)機(jī)器學(xué)習(xí)目標(biāo)檢測(cè)算法,該艦船檢測(cè)系統(tǒng)在檢測(cè)精度及檢測(cè)速率上均有大幅提高,達(dá)到83.79%的準(zhǔn)確率及0.05 s/幀的檢測(cè)速率[9]。但該方法只嘗試了對(duì)艦船一種目標(biāo)的識(shí)別,并沒有對(duì)多尺度多類型的其他海上目標(biāo)進(jìn)行識(shí)別(小目標(biāo)、集群目標(biāo)),也沒有對(duì)識(shí)別后的目標(biāo)進(jìn)行監(jiān)測(cè)和預(yù)警分析。

1.1 Faster R-CNN 目標(biāo)檢測(cè)

Faster R-CNN 是一種經(jīng)典的目標(biāo)檢測(cè)算法,它用網(wǎng)絡(luò)訓(xùn)練的方法實(shí)現(xiàn)目標(biāo)提取,在一個(gè)網(wǎng)絡(luò)中整合了特征抽取、proposal 提取、邊框回歸、分類等操作,極大地提高了目標(biāo)檢測(cè)、分類的效率和性能。傳統(tǒng)的目標(biāo)檢測(cè)算法是用Selective Search 方法提取候選框,該方法十分耗時(shí),難以滿足高效、實(shí)時(shí)檢測(cè)的應(yīng)用需求。因此,Faster R-CNN 中引入了區(qū)域候選網(wǎng)絡(luò)(RPN:Region Proposal Networks)的概念,專門用于提取目標(biāo)候選框。RPN 方法檢測(cè)速度快,相對(duì)耗時(shí)少,且易于整合到Fast R-CNN 算法中,故而Faster R-CNN=RPN+Fast R-CNN。目前該算法在目標(biāo)檢測(cè)系統(tǒng)中得到了廣泛應(yīng)用。

Faster R-CNN 主要包括6 個(gè)步驟:1) 通過卷積和池化操作,提取圖像特征；2) 用RPN 提取目標(biāo)候選區(qū)域；3) 經(jīng)過后處理,確定更精確的位置；4) 建立候選區(qū)域與特征圖的映射關(guān)系；5) 根據(jù)前面確定的精確位置,從特征圖中摳出用于分類的目標(biāo)數(shù)據(jù),并池化成固定長度的數(shù)據(jù)；6) 利用proposal feature maps 計(jì)算proposal的類別,同時(shí)再次邊框回歸獲得檢測(cè)框最終的精確位置。其整體結(jié)構(gòu)如圖1 所示。

圖1 Faster R-CNN 整體結(jié)構(gòu)圖Fig.1 Faster R-CNN overall structure

RPN的原理是將一個(gè)卷積、池化處理后的feature map 經(jīng)sliding window 處理得到一個(gè)256 維特征向量,最后經(jīng)兩次全連接處理得到2k個(gè)分?jǐn)?shù)和4k個(gè)坐標(biāo)。其整體結(jié)構(gòu)如圖2 所示。RPN的作用是對(duì)處理的圖片區(qū)域進(jìn)行預(yù)處理,以減少后續(xù)計(jì)算量,主要包括兩部分操作:1) RPN Classification。對(duì)feature map 進(jìn)行區(qū)域分割,并從中分辨出前景和背景區(qū)域；2) RPN 邊框回歸。提取前景區(qū)域的大概位置坐標(biāo)。RPN 訓(xùn)練時(shí)需要將兩部分的loss 加起來。設(shè)anchor 預(yù)測(cè)為目標(biāo)的概率為pi,是前景的標(biāo)簽值,正樣本為1,負(fù)樣本為0；Ncls是一個(gè)batch的大小,Nreg是anchor的總數(shù),λ是兩種loss的平衡比例,前景與背景的對(duì)數(shù)損失為Lcls(pi,),ti是Anchor[i]預(yù)測(cè)的Bounding Box的參數(shù)化坐標(biāo),是Anchor[i]的Ground Truth的Bounding Box的參數(shù)化坐標(biāo),R是Smooth L1 函數(shù),Faster R-CNN的損失函數(shù)如下

圖2 RPN 整體結(jié)構(gòu)圖Fig.2 RPN overall structure

1.2 基于遙感數(shù)據(jù)和Faster R-CNN的海上目標(biāo)識(shí)別模型

由于海域面積遼闊,巡查執(zhí)法成本昂貴且效率低下,導(dǎo)致非法用海占海、破壞海洋生態(tài)環(huán)境的行為屢禁不止；視頻監(jiān)控可以實(shí)現(xiàn)近海海域的監(jiān)管,但是可控范圍有限,且受天氣影響較大；雷達(dá)監(jiān)測(cè)不受天氣影響,然而建設(shè)與維護(hù)成本十分昂貴,且同樣監(jiān)測(cè)范圍有限。遙感具有大面積、快速、動(dòng)態(tài)、低成本獲取區(qū)域信息的優(yōu)勢(shì),如何充分利用遙感手段實(shí)現(xiàn)大范圍快速的海域監(jiān)控管理,從大量的遙感圖像中識(shí)別并跟蹤海上目標(biāo)已成為一個(gè)亟需解決的科學(xué)前沿問題。目前利用遙感圖像深度學(xué)習(xí)識(shí)別海上目標(biāo)及其用海占海行為,并進(jìn)行執(zhí)法取證的相關(guān)研究還未見報(bào)道。已有的遙感技術(shù)在海洋監(jiān)測(cè)中的應(yīng)用,目前國內(nèi)外主要集中在海洋溢油監(jiān)測(cè)、懸浮物、葉綠素、赤潮等要素上的定量遙感識(shí)別方面,然而,海量的遙感影像具有極大的信息量,它同時(shí)具有空間分辨和時(shí)間分辨的能力,但真正把有效信息提取和挖掘是極其復(fù)雜和困難的[10]。

遙感影像深度學(xué)習(xí)技術(shù)是指通過對(duì)大量的遙感影像進(jìn)行深度學(xué)習(xí),自學(xué)習(xí)出各類海上目標(biāo)及用海占?；顒?dòng)的特征,過濾掉圖像中無用的或干擾的信息,抽取圖像源中關(guān)鍵的有用信息,準(zhǔn)確地檢測(cè)和識(shí)別海上目標(biāo)或用海占?；顒?dòng),從而為海洋執(zhí)法管理工作的順利推進(jìn)提供直觀且有價(jià)值的圖像依據(jù)。

綜上所述,由于海量遙感影像數(shù)據(jù)處理、圖像內(nèi)容挖掘所存在的技術(shù)挑戰(zhàn)目前尚未有很好的、全面的解決方案,因此當(dāng)前針對(duì)遙感影像的新特點(diǎn)和新變化,研發(fā)具有自主知識(shí)產(chǎn)權(quán)的、創(chuàng)新性的、先進(jìn)的針對(duì)海量遙感影像的海上目標(biāo)及活動(dòng)識(shí)別當(dāng)前是非常必要和緊迫的,對(duì)于公共資源管理、公共安全、國家安全等方面都將具有重要意義。

基于深度學(xué)習(xí)的遙感影像海上目標(biāo)識(shí)別方法,其步驟如下:

1) 采集高分辨率遙感影像,運(yùn)用分布式處理技術(shù)對(duì)海量遙感數(shù)據(jù)進(jìn)行噪音、勻色、統(tǒng)一數(shù)據(jù)集成、噪音等預(yù)處理；

2) 在遙感影像上對(duì)海上目標(biāo)、用海占?；顒?dòng)進(jìn)行標(biāo)注和打標(biāo)簽,記錄目標(biāo)區(qū)域在遙感影像中的位置坐標(biāo),并標(biāo)注目標(biāo)類型,形成海上目標(biāo)及活動(dòng)樣本庫；

3) 通過Faster R-CNN 設(shè)計(jì)一個(gè)深度學(xué)習(xí)模型,采用“遷移學(xué)習(xí)”方法用樣本庫對(duì)模型預(yù)訓(xùn)練,構(gòu)建RPN 區(qū)域建議網(wǎng)絡(luò)模型和Faster R-CNN 目標(biāo)檢測(cè)模型[11]；

4) 采用交叉訓(xùn)練方法對(duì)RPN 區(qū)域建議網(wǎng)絡(luò)和Faster R-CNN 目標(biāo)檢測(cè)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,可將一個(gè)完整深度卷積網(wǎng)絡(luò)的計(jì)算拆分到多個(gè)GPU 上進(jìn)行合理調(diào)度并行地執(zhí)行,通過模型并行和數(shù)據(jù)并行在兩個(gè)數(shù)據(jù)/計(jì)算組織層次上加速訓(xùn)練,得到最終的海上目標(biāo)及活動(dòng)檢測(cè)模型[12]；

5) 使用目標(biāo)檢測(cè)模型對(duì)遙感圖像海上目標(biāo)及活動(dòng)進(jìn)行檢測(cè)識(shí)別。

其中Faster R-CNN 直接利用RPN 網(wǎng)絡(luò)計(jì)算候選框[13]。RPN 以一張任意大小的圖片為輸入,輸出一批矩形區(qū)域提名,每個(gè)區(qū)域?qū)?yīng)一個(gè)目標(biāo)分?jǐn)?shù)和位置信息。Faster R-CNN 中的RPN 結(jié)構(gòu)如圖3 所示。

圖3 漁船、蠔排RPN 檢測(cè)示意圖Fig.3 RPN detection diagram of fishing boat and oyster bar

1.3 海上目標(biāo)用海行為分析與預(yù)警

針對(duì)海域大規(guī)模、高強(qiáng)度開發(fā)利用的監(jiān)管工作技術(shù)需求,利用人工智能及大數(shù)據(jù)技術(shù),實(shí)現(xiàn)對(duì)海上目標(biāo)、海域使用空間格局及其變化過程的遙感監(jiān)測(cè),對(duì)非法用海占海行為進(jìn)行取證、監(jiān)測(cè)及預(yù)警,構(gòu)建“基礎(chǔ)信息全覆蓋、動(dòng)態(tài)監(jiān)管全海域、業(yè)務(wù)運(yùn)行全行業(yè)、決策評(píng)價(jià)全方位”的立體動(dòng)態(tài)監(jiān)控體系。步驟如下:

1) 利用遙感影像,提取和建立海上目標(biāo)(蠔排、養(yǎng)殖網(wǎng)箱、圍填海、采砂船、采砂場(chǎng)等)樣本庫；

2) 用人工智能深度學(xué)習(xí)方法,訓(xùn)練海上目標(biāo)識(shí)別模型；

3) 收集廣西區(qū)域涉海規(guī)劃數(shù)據(jù),制定規(guī)劃間沖突規(guī)則,研發(fā)多規(guī)分析地理信息平臺(tái)；

4) 利用多規(guī)分析平臺(tái),提取規(guī)劃間的重疊和交叉區(qū)域,對(duì)交叉區(qū)域進(jìn)行切割細(xì)分,實(shí)現(xiàn)整個(gè)廣西海域的無縫無疊“多規(guī)融合”圖層；

5) 對(duì)海量的遙感影像,使用海上目標(biāo)智能識(shí)別模型,提取海上目標(biāo)和疑似用海行為,確定其用海類型,并與規(guī)劃數(shù)據(jù)、海域使用權(quán)屬數(shù)據(jù)進(jìn)行疊加分析,判斷是否為非法用海；

6) 對(duì)非法用海行為進(jìn)行自動(dòng)記錄、存證,并生成數(shù)據(jù)包提供給管理部門和執(zhí)法部門進(jìn)行調(diào)查處理。

將識(shí)別結(jié)果、用海行為與該區(qū)域的信息綜合體進(jìn)行融合分析；對(duì)海洋災(zāi)害、資源盜采及生態(tài)破壞情況進(jìn)行預(yù)警,對(duì)疑似非法用海占海行為進(jìn)行取證、記錄,提交海洋管理執(zhí)法部門進(jìn)行調(diào)查處理,并建立“基礎(chǔ)信息全覆蓋、動(dòng)態(tài)監(jiān)管全海域、業(yè)務(wù)運(yùn)行全行業(yè)、決策評(píng)價(jià)全方位”的立體監(jiān)控體系。漁船、蠔排RPN 檢測(cè)示意圖如圖4 所示。

圖4 漁船、蠔排RPN 檢測(cè)示意圖Fig.4 RPN detection diagram of fishing boat and oyster bar

2 算法實(shí)現(xiàn)與測(cè)試結(jié)果

2.1 樣本準(zhǔn)備

利用自然資源部下發(fā)的不同年份的衛(wèi)星遙感影像、91 衛(wèi)圖助手影像及筆者制作的無人機(jī)影像,針對(duì)5 類(船舶、紅樹林、養(yǎng)殖池塘、蠔排、房屋建筑)重要海洋目標(biāo),建立樣本圖像庫與測(cè)試圖像庫。為了擴(kuò)充數(shù)據(jù)樣本及防止過擬合,筆者對(duì)每類樣本做了數(shù)據(jù)擴(kuò)充處理,包括顏色抖動(dòng)、角度旋轉(zhuǎn)、隨機(jī)裁剪和加噪聲等處理。每類目標(biāo)圖像為4 000 張以上,各抽出200 張作為測(cè)試集,并隨機(jī)抽出200 張作為交叉驗(yàn)證集,數(shù)據(jù)樣本如圖5、圖6 所示。

圖5 海上目標(biāo)樣本圖Fig.5 Sample map of marine target

圖6 數(shù)據(jù)擴(kuò)充Fig.6 Data expansion

在深度學(xué)習(xí)訓(xùn)練前,需要將樣本圖片生成樣本數(shù)據(jù)列表。每個(gè)類別的樣本圖片均單獨(dú)存放在一個(gè)文件夾下。

2.2 定義訓(xùn)練及測(cè)試的mapper

筆者采用百度的paddlepaddle 深度學(xué)習(xí)框架,編程語言采用Python,IDE(Integrated Development Environment)采用Pycharm。train_mapper 函數(shù)的作用是對(duì)訓(xùn)練集的圖像進(jìn)行處理修剪和數(shù)組變換,返回img 數(shù)組和標(biāo)簽。由于數(shù)據(jù)集的像素維度各不相同,需要進(jìn)一步處理對(duì)圖像進(jìn)行變換。筆者先對(duì)圖像進(jìn)行crop 修剪操作,輸出img的維度為(3,400,400)；然后將img 數(shù)組進(jìn)行進(jìn)行歸一化處理,得到0～1之間的數(shù)值。核心處理代碼如下。

其中sample 是一個(gè)Python 元組,里面保存圖片的地址和標(biāo)簽。測(cè)試的mapper 實(shí)現(xiàn)方法與train_mapper類似。

2.3 算法模型設(shè)計(jì)與實(shí)現(xiàn)步驟

海上目標(biāo)識(shí)別算法主要有以下幾個(gè)步驟:1) 對(duì)輸入圖像數(shù)據(jù)進(jìn)行特征提取,得到feature map,常用的特征提取網(wǎng)絡(luò)模型有VGG、ResNet、IncRes V2 等；2) 利用RPN 檢測(cè)算法,進(jìn)行前景和背景分析,得到比較精確的目標(biāo)候選區(qū)域ROIs；3) 將ROIs 映射到ROI pooling 對(duì)應(yīng)的feature map 上,通過full connection和softmax 對(duì)region proposals 進(jìn)行分類,同時(shí)進(jìn)行bounding box regression 處理以獲得更精確的rectangle box。其網(wǎng)絡(luò)模型結(jié)構(gòu)如圖7 所示。

圖7 目標(biāo)檢測(cè)網(wǎng)絡(luò)模型結(jié)構(gòu)圖Fig.7 Structure diagram of target detection network model

筆者使用VGG16 和ResNet101 兩個(gè)網(wǎng)絡(luò)模型進(jìn)行特征提取對(duì)比測(cè)試。VGG16 包含13 個(gè)卷積層、13 個(gè)relu 層、4 個(gè)池化層和3 個(gè)全連接層,卷積核大小為3×3,池化矩陣為2×2。ResNet101 模型有101 層(不含激活層和池化層),第1 個(gè)卷積層卷積核大小為7×7,后面經(jīng)過33 個(gè)building block 處理,每個(gè)block含3 層:核大小分別為1×1、3×3、1×1,最后還有個(gè)全連接層,共101 層?？梢钥闯?ResNet101 模型的計(jì)算量要遠(yuǎn)遠(yuǎn)大于VGG16 模型。

2.4 訓(xùn)練模型

模型訓(xùn)練主要分以下步驟:1) 獲取分類器,用3.3 設(shè)計(jì)的網(wǎng)絡(luò)進(jìn)行分類計(jì)算；2) 獲取損失函數(shù)和準(zhǔn)確率,計(jì)算損失函數(shù)中所有元素的平均值及準(zhǔn)確率[14]；3) 定義優(yōu)化方法,筆者采用Adam 方法減小誤差,然后取局部最優(yōu)化的平均損失(Adam 是一階基于梯度下降的算法,該函數(shù)基于自適應(yīng)低階矩估計(jì)實(shí)現(xiàn)了自適應(yīng)矩估計(jì)優(yōu)化器)；4) 批量取訓(xùn)練樣本和測(cè)試樣本進(jìn)行訓(xùn)練,直至達(dá)到設(shè)定的訓(xùn)練輪數(shù)結(jié)束。最后得到訓(xùn)練的網(wǎng)絡(luò)模型參數(shù)。

2.5 模型測(cè)試

隨機(jī)抽取1 000 張未參與訓(xùn)練的測(cè)試樣本對(duì)模型進(jìn)行測(cè)試,驗(yàn)證模型的準(zhǔn)確率,結(jié)果表明,筆者算法的平均識(shí)別準(zhǔn)確率為83.7%。測(cè)試結(jié)果表明,RestNet101 模型的特征提取效果比VGG16 好,更適合復(fù)雜特征的提取。另外,筆者還針對(duì)5 類典型海上目標(biāo)進(jìn)行了分別測(cè)試,測(cè)試結(jié)果表明,船舶的識(shí)別準(zhǔn)確率最高,超過92%,紅樹林的識(shí)別準(zhǔn)確率最低,在70%左右,因?yàn)槠涮卣鞑蝗绱懊黠@,容易被其他因素干擾。整體識(shí)別準(zhǔn)確率受影像分辨率影像較大,尤其是紅樹林,分辨率低的影像里紅樹林紋理十分模糊。測(cè)試結(jié)果如表1、表2、圖8 所示。

表1 對(duì)比測(cè)試結(jié)果Tab.1 Comparative test results

表2 分類測(cè)試結(jié)果Tab.2 The test results by category

圖8 測(cè)試效果圖Fig.8 Test effect map

最后根據(jù)目標(biāo)的經(jīng)緯度坐標(biāo),讀取規(guī)劃圖層對(duì)應(yīng)位置的圖斑屬性,將識(shí)別結(jié)果與規(guī)劃屬性進(jìn)行符合性對(duì)比分析,判斷其是否在規(guī)劃允許的范圍內(nèi)進(jìn)行作業(yè),對(duì)非法用?；顒?dòng)進(jìn)行預(yù)警并生成報(bào)告。測(cè)試效果如圖9 所示。

圖9 測(cè)試效果圖Fig.9 Test effect map

由圖9 可見,將海上目標(biāo)識(shí)別結(jié)果與海洋規(guī)劃屬性進(jìn)行關(guān)聯(lián)分析,大多數(shù)情況下可對(duì)其用海行為進(jìn)行合法性分析。但也存在特殊情況,如圖9c 所示,由算法分析結(jié)果可得出,有3 艘船舶在農(nóng)漁業(yè)區(qū)作業(yè),可判為合法行為；但其實(shí)則在進(jìn)行非法采砂行為。此類情況需結(jié)合采砂船及其周邊環(huán)境的特征進(jìn)行綜合判斷,如采砂船尾部軌跡上會(huì)有大量泥沙渾濁的痕跡、并且采砂船一般均為多艘船舶協(xié)同作業(yè)等。因此,若要進(jìn)行復(fù)雜場(chǎng)景和用海行為的分析,需要在筆者算法的基礎(chǔ)上,結(jié)合海洋管理經(jīng)驗(yàn)知識(shí),以及圖像場(chǎng)景分析,進(jìn)行整體算法穩(wěn)定性提升,才能更好地滿足海洋管理需求。

3 結(jié) 語

筆者基于Faster R-CNN 算法實(shí)現(xiàn)了對(duì)海上目標(biāo)的檢測(cè)識(shí)別及其用海行為的分析判斷。經(jīng)實(shí)驗(yàn)驗(yàn)證,RestNet101 模型的特征提取能力優(yōu)于VGG16,更適合用于復(fù)雜海上目標(biāo)的檢測(cè)識(shí)別,針對(duì)文中5 類典型海上目標(biāo)的識(shí)別準(zhǔn)確率約為84.1%；此外,在此5 類海上目標(biāo)中,船舶、紅樹林、養(yǎng)殖池塘、蠔排、房屋建筑的識(shí)別準(zhǔn)確率分別為92.7%、70.9%、83.2%、89.3%、79.5%。其中紅樹林與房屋建筑由于其特征結(jié)構(gòu)復(fù)雜,較依賴于高分辨率影像,所以其整體識(shí)別準(zhǔn)確率偏低。實(shí)驗(yàn)表明此方法具有可行性與推廣應(yīng)用價(jià)值,且模型有進(jìn)一步優(yōu)化的空間。人工智能技術(shù)的使用,可以促進(jìn)對(duì)大范圍海域監(jiān)管水平的大幅提升。