申请/专利权人：南方海洋科学与工程广东省实验室(广州);汕头大学

申请日：2022-05-13

公开（公告）日：2024-06-28

公开（公告）号：CN114943900B

主分类号：G06V20/13

分类号：G06V20/13;G06V10/82;G06V10/774;G06T7/13;G06T7/11;G06T7/00;G06T5/70;G06Q10/0639;G06N3/0464

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2022.09.13#实质审查的生效;2022.08.26#公开

摘要：本发明涉及环境质量评价技术领域，具体涉及一种基于深度学习的海洋环境质量等级评价方法、装置及介质，方法包括：获取海洋区域在待评价时段的卫星遥感影像；将所述待评价时段的卫星遥感影像进行预处理和粗分割，得到污染区域图像；采用训练好的深度学习模型，得到海洋区域在待评价时段的海洋环境质量等级；其中，所述深度学习模型基于卷积神经网络训练得到，训练所述卷积神经网络的自变量为该海洋区域的样本图像，训练所述卷积神经网络的因变量为海洋环境质量等级；所述海洋环境质量等级包括清洁、微污染、轻污染、中污染和重污染；本发明针对海洋环境质量等级评价具有良好的时效性。

主权项：1.一种基于深度学习的海洋环境质量等级评价方法，其特征在于，所述方法包括以下步骤：获取海洋区域在待评价时段的卫星遥感影像；将所述待评价时段的卫星遥感影像进行预处理和粗分割，得到污染区域图像；将污染区域图像输入训练好的深度学习模型，得到海洋区域在待评价时段的海洋环境质量等级；其中，所述深度学习模型基于卷积神经网络训练得到，训练所述卷积神经网络的自变量为该海洋区域的样本图像，训练所述卷积神经网络的因变量为海洋环境质量等级；所述海洋环境质量等级包括清洁、微污染、轻污染、中污染和重污染；所述深度学习模型通过以下方式训练得到：获取样本图像，并标注各个样本图像对应的海洋环境质量等级；其中，所述样本图像通过对卫星遥感影像进行提取得到；将样本图像进行随机分组，构建训练集与验证集；将训练集作为自变量，将训练集中各个样本图像对应的海洋环境质量等级作为因变量输入预先构建的卷积神经网络，并对卷积神经网络进行训练；通过验证集对卷积神经网络进行评价精度测试，根据测试结果调整卷积神经网络的参数，直到卷积神经网络的评价精度达到预设要求，得到用于进行海洋环境质量等级评价的深度学习模型；所述预先构建的卷积神经网络为加权后的卷积神经网络，所述加权后的卷积神经网络包括3个卷积层和2个最大池化层；其中，第一个卷积层连接第一个最大池化层，对输入的特征图进行降采样，所述第一个最大池化层连接第二个卷积层，同时采取补边操作，保持特征图的尺寸不变；所述第二个卷积层连接第二个最大池化层；所述第二个最大池化层分别连接第一全连接层和第三个卷积层，第三个卷积层采取补边操作，第三个卷积层连接第二全连接层，第一全连接层和第二全连接层输出的特征图进行加权求和后，输出到第三个全连接层；第一个卷积层采用11×11的卷积核，步长为4；第一个最大池化层的池化窗口为3，步长为2；第二个卷积层采用5×5的卷积核，步长为1；第二个最大池化层的池化窗口为3，步长为2；第一全连接层的输出为256维，第三个卷积层采用3×3，步长为4的卷积核；第二全连接层的输出维度为256；3个卷积层后面均连接有SE模块。

全文数据：

权利要求：

百度查询： 南方海洋科学与工程广东省实验室(广州);汕头大学 基于深度学习的海洋环境质量等级评价方法、装置及介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD