作者：Dr. Rune Gangeskar, Miros

對海上船只來說，精確測量海浪、水流和對水航速非常利于執行各種任務，包括優化燃油以及在受限海域內航行。例如，即使對水航速測量失之毫厘，船舶性能計算結果也可能謬以千里，并且日耗油量可能增加數十噸。

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

Miros 設計了 Wavex 這款傳感器系統，可以精確測量海浪、水流和對水航速。該系統可處理來自傳統海洋 X 波段導航雷達的數字化圖像，從而消除與水下傳感器相關的干擾問題和維護開銷。我們進一步提高了 Wavex 的性能和可靠性，方法是使用深度學習網絡來自動識別在惡劣測量條件（例如強降水）下拍攝的雷達圖像（圖 1）。

圖 1. 雷達圖像上半部分顯示受降水干擾的浪形。

在有陣雨的情況下，我們可以忽略雷達圖像中受干擾的區域，而只使用未受干擾的區域來獲得測量結果。我們使用 MATLAB 和 Deep Learning Toolbox 創建了深度學習網絡。該網絡可準確識別降水和風降，其準確度分別超過了 97% 和 99%。

傳統的圖像處理算法需要針對不同測量條件、幾何形狀和雷達類型進行校準。與之不同的是，我們在 MATLAB 中設計的深度學習網絡無需進行調整或校準，即可在各種測量場景下得到高度準確的結果。在 MATLAB 中對該網絡進行訓練并驗證后，我們便使用 MATLAB Compiler 將其作為獨立應用部署到 Wavex 系統中。該系統可近實時地測量對水航速、水流、定標方向波譜以及浪高等綜合波浪參數（圖 2）。

圖 2. Wavex 用戶界面示例，顯示對水航速、風和海浪的測量結果。

基于雷達的海況測量以及風雨的影響

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

圖 3. 來自海用 X 波段導航雷達的數字化圖像輸出，顯示提取的笛卡爾圖像部分。

某些環境條件，如低風速和陣雨，會導致數字化圖像失真，因而難以提取有意義的信息（圖 4）。我們使用深度學習是為了創建一個網絡，以便自動識別那些過于失真而無法用于各種海況測量的笛卡爾圖像部分。

圖 4. 有降水（上圖）和風速下降（下圖）的情況下拍攝的數字化雷達圖像。

深度學習在圖像分類中的應用

要應用深度學習處理圖像分類問題，第一步是獲取并標注具有這些特征組合的圖像以訓練網絡。為此，我們從六個不同的 Wavex 系統中采集了 700 多萬個笛卡爾圖像部分，這些圖像部分的時間跨度長達十年以上。

我們將每個圖像部分標注為下面五個類別之一：無風速下降或降水、有顯著降水、有顯著風速下降、有顯著降水和風速下降，以及未分類。為了減少所需的工作量并使標注切實可行，我們采用了目測評估和自動標注相結合的方法。其中，自動標注使用其他來源的可用數據，如從船載傳感器采集的風數據。

與團隊其他成員一樣，我用過 MATLAB 并對更經典的機器學習主題有所了解，但我之前沒有深度學習應用經驗。我先從 Deep Learning Toolbox 教程入手，學習了使用簡單的卷積神經網絡進行深度學習圖像分類的示例。作為第一步，我試用了一些預訓練模型，但我很快發現，如果基于之前看到的代碼示例構建自己的深度學習網絡，效果可能會更好。我試驗了各種網絡配置，最終選定具有 23 層的配置。該網絡具有相當標準的結構。圖像輸入層后面有五個組，每個組都有一個二維卷積層、一個批量歸一化層、一個修正線性單元 (ReLU) 層和一個最大池化層。在最后一個組中，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. 用于雷達圖像分類的網絡的結構。

起初，我使用來自各個 Wavex 系統的數據來訓練網絡，然后確認該網絡可以對來自其他系統的圖像進行準確的分類。然后，我結合使用來自所有系統的圖像對它進行了訓練，以提高針對各種雷達類型和工況的準確度。最后，我試著對該網絡進行了更改，以進一步提高其準確度。例如，我嘗試對第一個卷積層使用了不同大小，對圖像輸入層進行了不同的歸一化，以及采用了不同的網絡深度。

部署和未來計劃

為了將最終經過訓練的網絡和算法集成到 Wavex 系統中，我使用 MATLAB Compiler 生成了獨立應用。這樣，我們便能快速地將研發工作（模型開發和訓練）遷移到生產環境中，以實現質量控制自動化。

生成的應用會掃描從船載雷達系統生成的極坐標圖像中提取的每個笛卡爾圖像部分，并對這些部分進行分類，然后將結果連同所有其他測量結果一起存儲在 Wavex 軟件可訪問的數據庫中。

在完成此集成后，我使用 MATLAB 可視化驗證了系統在各種條件下的性能：將使用自動風降和降水檢測時的系統性能與禁用該檢測時的基準性能進行比較。圖 6 舉例說明了在情況復雜的一段時間內，基于深度學習的檢測如何準確區分各種情況并正確標注數據，從而實現優化的處理和改進的用戶信息流。

圖 6. 浪高測量結果圖，藍線表示啟用了降水和風降檢測，紅線表示未啟用。

現在，獨立深度學習應用正在多艘船上的生產級 Wavex 系統中接受測試。目前，我的團隊正在研究如何在多個新的不同應用中使用類似的深度學習方法進行圖像和信號分類。