作者：Dr. Rune Gangeskar, Miros

對(duì)海上船只來說，精確測(cè)量海浪、水流和對(duì)水航速非常利于執(zhí)行各種任務(wù)，包括優(yōu)化燃油以及在受限海域內(nèi)航行。例如，即使對(duì)水航速測(cè)量失之毫厘，船舶性能計(jì)算結(jié)果也可能謬以千里，并且日耗油量可能增加數(shù)十噸。

一直以來，對(duì)水航速都是通過水下測(cè)速儀測(cè)量的。這些儀器利用船體的水壓差（水壓計(jì)程儀），通過聲吶信號(hào)的多普勒頻移（多普勒測(cè)速儀），或通過通電線圈與運(yùn)動(dòng)的水體之間的交互所生成的信號(hào)（電磁式測(cè)速儀）來估計(jì)航速。這些系統(tǒng)可能維護(hù)起來成本高昂，并且容易受到氣泡、紊流或其他由船只運(yùn)動(dòng)引起的干擾的影響。

Miros 設(shè)計(jì)了 Wavex 這款傳感器系統(tǒng)，可以精確測(cè)量海浪、水流和對(duì)水航速。該系統(tǒng)可處理來自傳統(tǒng)海洋 X 波段導(dǎo)航雷達(dá)的數(shù)字化圖像，從而消除與水下傳感器相關(guān)的干擾問題和維護(hù)開銷。我們進(jìn)一步提高了 Wavex 的性能和可靠性，方法是使用深度學(xué)習(xí)網(wǎng)絡(luò)來自動(dòng)識(shí)別在惡劣測(cè)量條件（例如強(qiáng)降水）下拍攝的雷達(dá)圖像（圖 1）。

圖 1. 雷達(dá)圖像上半部分顯示受降水干擾的浪形。

在有陣雨的情況下，我們可以忽略雷達(dá)圖像中受干擾的區(qū)域，而只使用未受干擾的區(qū)域來獲得測(cè)量結(jié)果。我們使用 MATLAB 和 Deep Learning Toolbox 創(chuàng)建了深度學(xué)習(xí)網(wǎng)絡(luò)。該網(wǎng)絡(luò)可準(zhǔn)確識(shí)別降水和風(fēng)降，其準(zhǔn)確度分別超過了 97% 和 99%。

傳統(tǒng)的圖像處理算法需要針對(duì)不同測(cè)量條件、幾何形狀和雷達(dá)類型進(jìn)行校準(zhǔn)。與之不同的是，我們?cè)?MATLAB 中設(shè)計(jì)的深度學(xué)習(xí)網(wǎng)絡(luò)無需進(jìn)行調(diào)整或校準(zhǔn)，即可在各種測(cè)量場(chǎng)景下得到高度準(zhǔn)確的結(jié)果。在 MATLAB 中對(duì)該網(wǎng)絡(luò)進(jìn)行訓(xùn)練并驗(yàn)證后，我們便使用 MATLAB Compiler 將其作為獨(dú)立應(yīng)用部署到 Wavex 系統(tǒng)中。該系統(tǒng)可近實(shí)時(shí)地測(cè)量對(duì)水航速、水流、定標(biāo)方向波譜以及浪高等綜合波浪參數(shù)（圖 2）。

圖 2. Wavex 用戶界面示例，顯示對(duì)水航速、風(fēng)和海浪的測(cè)量結(jié)果。

基于雷達(dá)的海況測(cè)量以及風(fēng)雨的影響

典型的海用 X 波段雷達(dá)天線以每分鐘 15 至 48 轉(zhuǎn)的速度旋轉(zhuǎn)，從而生成浪形清晰可見的數(shù)字化圖像（圖 3）。Wavex 系統(tǒng)從數(shù)字化圖像中提取笛卡爾圖像部分，然后使用在 MATLAB 中開發(fā)的算法處理這些部分。這些算法應(yīng)用噪聲濾波技術(shù)，并對(duì)笛卡爾圖像的時(shí)間序列執(zhí)行三維快速傅里葉變換 (FFT)，從而生成三維波譜，其中包含關(guān)于各種波數(shù)和頻率下的功率的信息。然后，它們使用波數(shù)-頻率譜來估計(jì)水流和對(duì)水航速，以及定標(biāo)波譜和綜合波浪參數(shù)。

圖 3. 來自海用 X 波段導(dǎo)航雷達(dá)的數(shù)字化圖像輸出，顯示提取的笛卡爾圖像部分。

某些環(huán)境條件，如低風(fēng)速和陣雨，會(huì)導(dǎo)致數(shù)字化圖像失真，因而難以提取有意義的信息（圖 4）。我們使用深度學(xué)習(xí)是為了創(chuàng)建一個(gè)網(wǎng)絡(luò)，以便自動(dòng)識(shí)別那些過于失真而無法用于各種海況測(cè)量的笛卡爾圖像部分。

圖 4. 有降水（上圖）和風(fēng)速下降（下圖）的情況下拍攝的數(shù)字化雷達(dá)圖像。

深度學(xué)習(xí)在圖像分類中的應(yīng)用

要應(yīng)用深度學(xué)習(xí)處理圖像分類問題，第一步是獲取并標(biāo)注具有這些特征組合的圖像以訓(xùn)練網(wǎng)絡(luò)。為此，我們從六個(gè)不同的 Wavex 系統(tǒng)中采集了 700 多萬個(gè)笛卡爾圖像部分，這些圖像部分的時(shí)間跨度長(zhǎng)達(dá)十年以上。

我們將每個(gè)圖像部分標(biāo)注為下面五個(gè)類別之一：無風(fēng)速下降或降水、有顯著降水、有顯著風(fēng)速下降、有顯著降水和風(fēng)速下降，以及未分類。為了減少所需的工作量并使標(biāo)注切實(shí)可行，我們采用了目測(cè)評(píng)估和自動(dòng)標(biāo)注相結(jié)合的方法。其中，自動(dòng)標(biāo)注使用其他來源的可用數(shù)據(jù)，如從船載傳感器采集的風(fēng)數(shù)據(jù)。

與團(tuán)隊(duì)其他成員一樣，我用過 MATLAB 并對(duì)更經(jīng)典的機(jī)器學(xué)習(xí)主題有所了解，但我之前沒有深度學(xué)習(xí)應(yīng)用經(jīng)驗(yàn)。我先從 Deep Learning Toolbox 教程入手，學(xué)習(xí)了使用簡(jiǎn)單的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行深度學(xué)習(xí)圖像分類的示例。作為第一步，我試用了一些預(yù)訓(xùn)練模型，但我很快發(fā)現(xiàn)，如果基于之前看到的代碼示例構(gòu)建自己的深度學(xué)習(xí)網(wǎng)絡(luò)，效果可能會(huì)更好。我試驗(yàn)了各種網(wǎng)絡(luò)配置，最終選定具有 23 層的配置。該網(wǎng)絡(luò)具有相當(dāng)標(biāo)準(zhǔn)的結(jié)構(gòu)。圖像輸入層后面有五個(gè)組，每個(gè)組都有一個(gè)二維卷積層、一個(gè)批量歸一化層、一個(gè)修正線性單元 (ReLU) 層和一個(gè)最大池化層。在最后一個(gè)組中，使用全連接層來代替最大池化層。此組后面接著 softmax 層和分類輸出層（圖 5）。

圖 5. 用于雷達(dá)圖像分類的網(wǎng)絡(luò)的結(jié)構(gòu)。

起初，我使用來自各個(gè) Wavex 系統(tǒng)的數(shù)據(jù)來訓(xùn)練網(wǎng)絡(luò)，然后確認(rèn)該網(wǎng)絡(luò)可以對(duì)來自其他系統(tǒng)的圖像進(jìn)行準(zhǔn)確的分類。然后，我結(jié)合使用來自所有系統(tǒng)的圖像對(duì)它進(jìn)行了訓(xùn)練，以提高針對(duì)各種雷達(dá)類型和工況的準(zhǔn)確度。最后，我試著對(duì)該網(wǎng)絡(luò)進(jìn)行了更改，以進(jìn)一步提高其準(zhǔn)確度。例如，我嘗試對(duì)第一個(gè)卷積層使用了不同大小，對(duì)圖像輸入層進(jìn)行了不同的歸一化，以及采用了不同的網(wǎng)絡(luò)深度。

部署和未來計(jì)劃

為了將最終經(jīng)過訓(xùn)練的網(wǎng)絡(luò)和算法集成到 Wavex 系統(tǒng)中，我使用 MATLAB Compiler 生成了獨(dú)立應(yīng)用。這樣，我們便能快速地將研發(fā)工作（模型開發(fā)和訓(xùn)練）遷移到生產(chǎn)環(huán)境中，以實(shí)現(xiàn)質(zhì)量控制自動(dòng)化。

生成的應(yīng)用會(huì)掃描從船載雷達(dá)系統(tǒng)生成的極坐標(biāo)圖像中提取的每個(gè)笛卡爾圖像部分，并對(duì)這些部分進(jìn)行分類，然后將結(jié)果連同所有其他測(cè)量結(jié)果一起存儲(chǔ)在 Wavex 軟件可訪問的數(shù)據(jù)庫中。

在完成此集成后，我使用 MATLAB 可視化驗(yàn)證了系統(tǒng)在各種條件下的性能：將使用自動(dòng)風(fēng)降和降水檢測(cè)時(shí)的系統(tǒng)性能與禁用該檢測(cè)時(shí)的基準(zhǔn)性能進(jìn)行比較。圖 6 舉例說明了在情況復(fù)雜的一段時(shí)間內(nèi)，基于深度學(xué)習(xí)的檢測(cè)如何準(zhǔn)確區(qū)分各種情況并正確標(biāo)注數(shù)據(jù)，從而實(shí)現(xiàn)優(yōu)化的處理和改進(jìn)的用戶信息流。

圖 6. 浪高測(cè)量結(jié)果圖，藍(lán)線表示啟用了降水和風(fēng)降檢測(cè)，紅線表示未啟用。

現(xiàn)在，獨(dú)立深度學(xué)習(xí)應(yīng)用正在多艘船上的生產(chǎn)級(jí) Wavex 系統(tǒng)中接受測(cè)試。目前，我的團(tuán)隊(duì)正在研究如何在多個(gè)新的不同應(yīng)用中使用類似的深度學(xué)習(xí)方法進(jìn)行圖像和信號(hào)分類。