基于人工神經(jīng)網(wǎng)絡(luò)的無(wú)人島異常識(shí)別系統(tǒng)?

趙文洋 解玉琪 李學(xué)強(qiáng) 郭防銘

（中國(guó)石油大學(xué)（華東）計(jì)算機(jī)與通信工程學(xué)院 青島 266580）

1 引言

無(wú)人島是我國(guó)重要的自然資源財(cái)富，也是我國(guó)海洋可持續(xù)發(fā)展的重要基地。眾多無(wú)人島是我國(guó)領(lǐng)土的重要組成部分，其具有的社會(huì)、經(jīng)濟(jì)、政治和軍事價(jià)值是無(wú)可估量的：無(wú)人島的資源、環(huán)境有很大的潛在價(jià)值，島上的植被可供鳥(niǎo)類、蛇類及其他珍稀動(dòng)物棲息生存；有些無(wú)人島蘊(yùn)藏著豐富的礦物，尤其是處于油氣資源盆地的島嶼更被人們視為海上明珠；有些無(wú)人島是軍事天然屏障，一旦啟用將成為海上屹立不倒的前沿陣地；有些島嶼位于領(lǐng)海前沿，成為維護(hù)海洋權(quán)益的重要標(biāo)志［1～3］。因此，有必要引入現(xiàn)代化科技手段來(lái)實(shí)現(xiàn)對(duì)無(wú)人島的保護(hù)，保障我國(guó)無(wú)人島嶼的合法使用權(quán)益。其中無(wú)人遙感技術(shù)［4～5］就是海洋島嶼權(quán)益保障的重要武器，利用無(wú)人遙感技術(shù)實(shí)現(xiàn)對(duì)無(wú)人島嶼的異常狀況識(shí)別進(jìn)而保障國(guó)家無(wú)人島嶼權(quán)益就是一種重要方法。

無(wú)人駕駛飛機(jī)（Unmanned Aerial Vehicle，UAV），也稱為無(wú)人機(jī)，是由“飛行員”從地面控制的飛機(jī)，或者逐漸地，在預(yù)先規(guī)劃的任務(wù)之后自主飛行。由于無(wú)人機(jī)具有許多優(yōu)點(diǎn)，被廣泛應(yīng)用于民用和軍事領(lǐng)域，如航空監(jiān)視、遙感、貨物運(yùn)輸?shù)?。與大型飛機(jī)和衛(wèi)星不同，無(wú)人機(jī)系統(tǒng)可以組成低成本的遙感應(yīng)用系統(tǒng)。從無(wú)人機(jī)獲得的圖像適用于環(huán)境監(jiān)測(cè)、野火監(jiān)測(cè)、野生動(dòng)物種群跟蹤、邊界巡邏、災(zāi)禍救援等領(lǐng)域［6～8］。而高光譜（HSI，Hyperspectral Image）成像技術(shù)是遙感中常使用的方法之一。高光譜分辨率遙感，也稱為高光譜遙感［9］，是在成像光譜學(xué)（Imaging Spectroscopy）的基礎(chǔ)上發(fā)展起來(lái)的一種相對(duì)較新的技術(shù)，廣泛應(yīng)用與食品安全、醫(yī)學(xué)診、航天航空等領(lǐng)域。由于成像分辨率相較于傳統(tǒng)方法有顯著提高，其探測(cè)能力也有明顯進(jìn)步，因此高光譜成像技術(shù)可以成為檢測(cè)應(yīng)用中可靠的數(shù)據(jù)載體。

如果想要通過(guò)對(duì)航拍所得高光譜的檢測(cè)來(lái)實(shí)現(xiàn)對(duì)無(wú)人島嶼的快速異常檢測(cè)。那么在從UAV 開(kāi)始接收HSI的圖像處理，到通過(guò)預(yù)處理和后續(xù)的決策過(guò)程中，對(duì)于反應(yīng)時(shí)間的把握是相當(dāng)重要的，但是采用傳統(tǒng)的統(tǒng)計(jì)性方法來(lái)處理HSI 異常檢測(cè)的時(shí)間代價(jià)是巨大的。所以我們需要尋求一種可以降低時(shí)間成本但不會(huì)降低準(zhǔn)確性的方案，因?yàn)闇?zhǔn)確性對(duì)于異常檢測(cè)是至關(guān)重要的，特別是在軍事應(yīng)用中，發(fā)現(xiàn)異常的準(zhǔn)確性和及時(shí)性是極為重要的?？紤]到這些要求，本文中將設(shè)計(jì)一種在保證不降低準(zhǔn)確性的前提下快速檢測(cè)異常和識(shí)別目標(biāo)過(guò)程的方法，一種利用兩階段人工神經(jīng)網(wǎng)絡(luò)（ANN）進(jìn)行異常檢測(cè)和目標(biāo)識(shí)別的新方法。這種方法結(jié)合了HSI的高價(jià)值密度和人工神經(jīng)網(wǎng)絡(luò)的高泛化與分類能力，能夠快速、可靠地完成檢測(cè)過(guò)程。

本文提出了一種利用二階段人工神經(jīng)網(wǎng)絡(luò)（ANN）進(jìn)行基于高光譜圖像（HSI）的異常檢測(cè)新方法。該方法結(jié)合了HSI 的高信息承載能力和人工神經(jīng)網(wǎng)絡(luò)的高泛化與分類能力，能夠快速、可靠地完成檢測(cè)過(guò)程，實(shí)現(xiàn)對(duì)無(wú)人島嶼的異常檢測(cè)與識(shí)別功能。

2 基于ANN的無(wú)人島異常識(shí)別算法

2.1 人工神經(jīng)網(wǎng)絡(luò)（ANN）

人 工 神 經(jīng) 網(wǎng) 絡(luò)［10］（Artificial Neural Network，ANN），是基于生物學(xué)中神經(jīng)網(wǎng)絡(luò)的基本原理，在理解和抽象了人腦結(jié)構(gòu)和外界刺激響應(yīng)機(jī)制后，以網(wǎng)絡(luò)拓?fù)渲R(shí)為理論基礎(chǔ)，模擬人腦的神經(jīng)系統(tǒng)對(duì)復(fù)雜信息的處理機(jī)制的一種數(shù)學(xué)模型。該模型以并行分布的處理能力、高容錯(cuò)性、智能化和自學(xué)習(xí)等能力為特征，將信息的加工和存儲(chǔ)結(jié)合在一起，以其獨(dú)特的知識(shí)表示方式和智能化的自適應(yīng)學(xué)習(xí)能力，引起各學(xué)科領(lǐng)域的關(guān)注。它實(shí)際上是一個(gè)有大量簡(jiǎn)單元件相互連接而成的復(fù)雜網(wǎng)絡(luò)，具有高度的非線性，能夠進(jìn)行復(fù)雜的邏輯操作和非線性關(guān)系實(shí)現(xiàn)的系統(tǒng)。

這個(gè)系統(tǒng)實(shí)質(zhì)上是一種運(yùn)算模型，由大量的節(jié)點(diǎn)（或稱神經(jīng)元）之間相互聯(lián)接構(gòu)成。每個(gè)節(jié)點(diǎn)代表一種特定的輸出函數(shù)，稱為激活函數(shù)（Activation function）。每?jī)蓚€(gè)節(jié)點(diǎn)間的連接都代表一個(gè)對(duì)于通過(guò)該連接信號(hào)的加權(quán)值，稱之為權(quán)重（weight），神經(jīng)網(wǎng)絡(luò)就是通過(guò)這種方式來(lái)模擬人類的記憶。網(wǎng)絡(luò)的輸出則取決于網(wǎng)絡(luò)的結(jié)構(gòu)、網(wǎng)絡(luò)的連接方式、權(quán)重和激活函數(shù)。而網(wǎng)絡(luò)自身通常都是對(duì)自然界某種算法或者函數(shù)的逼近，也可能是對(duì)一種邏輯策略的表達(dá)。神經(jīng)網(wǎng)絡(luò)的構(gòu)筑理念是受到生物的神經(jīng)網(wǎng)絡(luò)運(yùn)作啟發(fā)而產(chǎn)生的。人工神經(jīng)網(wǎng)絡(luò)則是把對(duì)生物神經(jīng)網(wǎng)絡(luò)的認(rèn)識(shí)與數(shù)學(xué)統(tǒng)計(jì)模型相結(jié)合，借助數(shù)學(xué)統(tǒng)計(jì)工具來(lái)實(shí)現(xiàn)。另一方面在人工智能學(xué)的人工感知領(lǐng)域，我們通過(guò)數(shù)學(xué)統(tǒng)計(jì)學(xué)的方法，使神經(jīng)網(wǎng)絡(luò)能夠具備類似于人的決定能力和簡(jiǎn)單的判斷能力，這種方法是對(duì)傳統(tǒng)邏輯學(xué)演算的進(jìn)一步延伸。

2.2 ANN異常識(shí)別模型系統(tǒng)結(jié)構(gòu)

為了滿足無(wú)人島異常檢測(cè)的高準(zhǔn)確性和低時(shí)間代價(jià)的雙重要求，本文采用了二階段多層神經(jīng)網(wǎng)絡(luò)［11～13］，可以針對(duì)高光譜圖像的特點(diǎn)，采用基于像素的光譜匹配方法實(shí)現(xiàn)要求，所提出的模型的運(yùn)算流程如圖1所示。

圖1 識(shí)別系統(tǒng)流程圖

第一階段神經(jīng)網(wǎng)絡(luò)（ANN-Ⅰ）被訓(xùn)練用來(lái)檢測(cè)輸入的高光譜圖像是否存在異常，第二階段的神經(jīng)網(wǎng)絡(luò)（ANN-Ⅱ）被訓(xùn)練用來(lái)區(qū)分異常的類型。第一階段是稱為ANN-Ⅰ的多層神經(jīng)網(wǎng)絡(luò)。該網(wǎng)絡(luò)被訓(xùn)練來(lái)檢測(cè)高光譜圖像中是否存在異常。第二階段的方法是被稱為ANN-Ⅱ的多層神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)用來(lái)確定ANN-Ⅰ識(shí)別的異常是否屬于預(yù)先定義的目標(biāo)種類。

在網(wǎng)絡(luò)ANN-Ⅰ在該方法中，輸入層的輸入為HSI 數(shù)據(jù)集可用波段數(shù)，隱藏層有十個(gè)神經(jīng)元，輸出層只有一個(gè)輸出。這個(gè)網(wǎng)絡(luò)被訓(xùn)練只是為了識(shí)別包含異常的像素。因此，可以通過(guò)使用這些像素中的光譜特征來(lái)檢測(cè)異常。利用ANN 的一般性特征，可以確定未知異常。

ANN-Ⅰ的輸出可以是“0”或“1”。如果輸出為“0”，則相應(yīng)像素被評(píng)估為無(wú)異常數(shù)據(jù)，但是如果輸出為“1”，則認(rèn)為該像素具有異常。與ANN-Ⅰ不同，在此模型中ANN-Ⅱ網(wǎng)絡(luò)被訓(xùn)練來(lái)識(shí)別特定目標(biāo)，輸出值為0-9，代表著對(duì)應(yīng)的10 種預(yù)先定義好的異常類型。僅對(duì)ANN-Ⅰ識(shí)別出異常的像素運(yùn)行ANN-Ⅱ，從而控制模型運(yùn)行的時(shí)間代價(jià)。

3 數(shù)據(jù)處理及模型訓(xùn)練

與黑白圖像和RGB 圖像相比，使用高光譜圖像需要更多的時(shí)間。因?yàn)閭鹘y(tǒng)的圖像具有較少的頻譜數(shù)據(jù)，并且使用有限數(shù)量的框架來(lái)執(zhí)行。換句話說(shuō)，頻帶的數(shù)目是相當(dāng)多的，并且對(duì)于HSI 中的所有像素執(zhí)行操作。盡管時(shí)間成本很高，但是與其他圖像相比，使用高光譜圖像的方法可以在目標(biāo)識(shí)別中產(chǎn)生更精確的結(jié)果。特別考慮到由一個(gè)或多個(gè)像素表示的小尺寸目標(biāo)，HSI 顯然是更有利的技術(shù)。因此，本實(shí)驗(yàn)還是采用了HIS數(shù)據(jù)作為輸入樣本。

實(shí)驗(yàn)中采用的是于山東省榮成市的鏌铘島上采集而來(lái)的數(shù)據(jù)，數(shù)據(jù)采集過(guò)程利用大疆四旋翼無(wú)人機(jī)攜帶高光譜成像儀采集完成，數(shù)據(jù)采集路線如圖2所示。

采集完畢后，從磁盤讀取HSI 數(shù)據(jù)集。而后，清洗掉因天氣條件、傳感器條件和大氣效應(yīng)等而不能被使用的頻帶［14］。然后對(duì)數(shù)據(jù)作歸一化處理［15］。

因?yàn)槿鄙倌繕?biāo)和背景先驗(yàn)知識(shí)，所以處理完的數(shù)據(jù)還需要先使用異常檢測(cè)算法進(jìn)行處理，本實(shí)驗(yàn)采用的有Reed 和Yu 提出的RX 算法［16］，這是一種局部目標(biāo)檢測(cè)算法，算法的監(jiān)測(cè)窗口包括目標(biāo)窗口和背景窗口，且后者遠(yuǎn)大于前者。RX 算法假設(shè)數(shù)據(jù)空間白化且服從高斯分布，在此基礎(chǔ)上通過(guò)分析窗口的統(tǒng)計(jì)量（均值和方差），并與設(shè)定的閾值比較判斷是否為異常值。從用RX算法處理后的數(shù)據(jù)集中選擇出異常級(jí)別最高的110 個(gè)像素作為異常。這些數(shù)據(jù)被加以異常與否的標(biāo)簽后作為模型的最終數(shù)據(jù)集。

圖2 數(shù)據(jù)采集路線圖

數(shù)據(jù)集被分為三組：訓(xùn)練60%、驗(yàn)證20%和隨機(jī)測(cè)試20%。然后使用加完標(biāo)簽后的數(shù)據(jù)來(lái)訓(xùn)練ANN-Ⅰ，使之能夠正確識(shí)別異常樣本。而后使用異常的110個(gè)像素來(lái)創(chuàng)建ANN-Ⅱ的訓(xùn)練集。因?yàn)锳NN-Ⅱ是訓(xùn)練被用來(lái)識(shí)別異常目標(biāo)的，訓(xùn)練集數(shù)據(jù)只需要包括異常樣本，其標(biāo)簽也應(yīng)該是異常樣本的類型。所以我們先使用自組織特征映射神經(jīng)網(wǎng)絡(luò)（SOM）［17～18］對(duì)輸入的異常數(shù)據(jù)進(jìn)行分類。這些異常像素被分為10種類型，作為ANN-Ⅱ訓(xùn)練集的標(biāo)簽，從而對(duì)ANN-Ⅱ進(jìn)行訓(xùn)練。

4 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證模型的可用性，我們使用人工加工后總共含有70 個(gè)異常目標(biāo)的數(shù)據(jù)樣本進(jìn)行驗(yàn)證。在實(shí)驗(yàn)中采用隨機(jī)選擇方式注入到隨機(jī)坐標(biāo)地點(diǎn)，再使用我們的模型進(jìn)行異常檢測(cè)與識(shí)別［19］，實(shí)驗(yàn)結(jié)果如表1所示。

表1 實(shí)驗(yàn)結(jié)果展示

從表中結(jié)果可以看出，模型的可行性得到了充分驗(yàn)證，在實(shí)驗(yàn)中的所有異常目標(biāo)都得到了識(shí)別和正確分類。實(shí)驗(yàn)結(jié)果表明，人工神經(jīng)網(wǎng)絡(luò)在使用高光譜數(shù)據(jù)對(duì)無(wú)人島的異常識(shí)別中可以表現(xiàn)出良好的效果［20］。

5 結(jié)語(yǔ)

本文提出了一種新的無(wú)人島嶼異常目標(biāo)檢測(cè)與識(shí)別的方法，建立一種基于人工神經(jīng)網(wǎng)絡(luò)的無(wú)人島嶼異常識(shí)別模型。提出的模型包括有兩個(gè)神經(jīng)網(wǎng)絡(luò)，第一個(gè)用來(lái)異常檢測(cè)，第二個(gè)用于異常數(shù)據(jù)的目標(biāo)識(shí)別。原始的高光譜數(shù)據(jù)經(jīng)清洗、歸一化后再利用RX 算法和SOM 算法處理形成訓(xùn)練集，并經(jīng)過(guò)實(shí)驗(yàn)驗(yàn)證了模型的可行性。這種方法有效解決了無(wú)人島異常檢測(cè)要求的高準(zhǔn)確性和低時(shí)間代價(jià)之間的矛盾，能夠讓用戶在極短的時(shí)間內(nèi)高準(zhǔn)確率地識(shí)別出無(wú)人島嶼的實(shí)際狀況。