融合scSE 模塊的改進Mask R-CNN海洋鋒檢測方法

徐慧芳，黃冬梅，賀琪，杜艷玲，覃學(xué)標(biāo)，時帥，胡安鐸

（1.上海海洋大學(xué) 信息學(xué)院，上海 201306；2.上海建橋?qū)W院 信息技術(shù)學(xué)院，上海 201306；3.上海電力大學(xué)，上海 201306；4.上海電力大學(xué) 國際交流與合作處，上海 201306）

海洋鋒作為海洋中不同水系或水團之間的狹窄過渡帶，是海洋中最具代表性的中尺度動力過程之一。在形成海洋鋒面的水團中，溫度、鹽度、營養(yǎng)鹽、水色等水文要素會發(fā)生劇烈變化，因此可以用溫度、鹽度、密度、水色、葉綠素等要素的水平梯度來描述海洋鋒。根據(jù)要素不同，分別記作溫度鋒、鹽度鋒、水色鋒、營養(yǎng)物質(zhì)鋒等，而海表溫度鋒（Sea Surface Temperatures Front，SSTF）是海洋鋒的重要表現(xiàn)形式，常用來研究海洋鋒[1]。在海洋鋒區(qū)，由不同水體攜運的營養(yǎng)鹽類在鋒區(qū)較為豐富，常有浮游植物在此大量繁殖，這為浮游動物和魚類提供了充足的餌料，而海洋鋒區(qū)的浮游生物富聚為深遠海海上風(fēng)電的合理規(guī)劃及選址提供了重要的指導(dǎo)意義[2-3]。此外，有專家指出臺風(fēng)路徑的形成與海洋鋒面有很大關(guān)系[4]。因此，研究中尺度海洋鋒的檢測及變化，對海洋物理生態(tài)環(huán)境變化、漁業(yè)資源評估、漁情預(yù)報、軍事及臺風(fēng)路徑的預(yù)測、深遠海風(fēng)電等均有重要意義，這已成為物理海洋學(xué)以及海洋交叉學(xué)科中的重要課題之一[5-6]。

自20 世紀(jì)70 年代以來，海洋鋒的檢測研究已取得了很大進展。在海洋鋒檢測任務(wù)中，人們常利用SST 遙感影像檢測海洋鋒，旨在從影像中提取海溫過渡帶和鋒線。目前，傳統(tǒng)檢測海洋鋒的方法集中在梯度閾值法及邊緣檢測算法，基于梯度閾值法的海洋鋒檢測，閾值的選擇標(biāo)準(zhǔn)不統(tǒng)一，且依賴于人為設(shè)定，主觀性強，無法滿足對復(fù)雜多樣的海洋鋒的準(zhǔn)確檢測；基于傳統(tǒng)邊緣檢測方法的常用算法主要有Canny 算子、sobel 算子等，這些算子較適用于有固定邊緣（如陸地等）的物體檢測[7]。由于海洋鋒是SST 遙感影像中的小目標(biāo)實體，邊緣信息不明顯、多變、對比度不強，呈現(xiàn)弱邊緣性，使用傳統(tǒng)的邊緣檢測算法使得海洋鋒的漏檢及誤檢率高[8-11]。小波理論作為一種非平穩(wěn)信號的時間-尺度分析手段，被廣泛用于海洋鋒的檢測，其核心思想是基于多尺度分析，大尺度能夠提取出信號邊緣信息，抗干擾性較強，但邊緣的定位精度較差，小尺度影像邊緣定位較準(zhǔn)確，但噪聲較大[12]。

隨著深度學(xué)習(xí)研究的不斷深入，卷積神經(jīng)網(wǎng)絡(luò)（CNN）和R-CNN 在圖像識別、語音識別、目標(biāo)識別等各種場景上取得了巨大的成功。多種融合深度學(xué)習(xí)的海洋鋒檢測方法也相繼被提出，并取得了較高的檢測精度[13-15]。在CNN 基礎(chǔ)上，He 等提出的Mask R-CNN 網(wǎng)絡(luò)實現(xiàn)了對圖像的像素級實例分割[16]。歐攀等利用Mask RCNN 算法對RGB 圖像上的目標(biāo)進行識別與分割，通過對目標(biāo)物體進行三維建模，實現(xiàn)對目標(biāo)的準(zhǔn)確定位[17]。胡炎等融合深度學(xué)習(xí)研究多尺度SAR 艦船目標(biāo)檢測，實現(xiàn)艦船的高效識別[18]。Deng 等基于CNN 提出了一種的渦旋檢測方法，將傳統(tǒng)渦旋檢測問題轉(zhuǎn)化為一種二分類問題，最終實現(xiàn)中尺度渦旋的高精度識別[19]。Estanislau 等將CNN 應(yīng)用到海洋鋒識別過程中，針對海洋鋒的數(shù)據(jù)集匱乏問題，提出一種遷移式的神經(jīng)網(wǎng)絡(luò)，可以有效識別出目標(biāo)海域中是否存在海洋鋒[13]。Sun 等提出了海洋鋒檢測和細(xì)粒度位置的多尺度檢測框架[20]?？紤]到AlexNet、CaffeNet、Goog LeNet 和VGGNet 等深度網(wǎng)絡(luò)在有限的訓(xùn)練數(shù)據(jù)下容易出現(xiàn)過擬合的實際情況，Lima 等在前期研究基礎(chǔ)上提出一種微調(diào)的神經(jīng)網(wǎng)絡(luò)，用于海洋鋒的檢測[21]。針對海洋鋒面的弱邊緣性，Li 等基于CNN提出了一種海洋鋒識別網(wǎng)絡(luò)，該網(wǎng)絡(luò)將每階段卷積后的特征進行融合，并使用二元交叉熵?fù)p失函數(shù)和IoU 損失函數(shù)，修正模型誤差，最終識別出更精確的海洋鋒[22]。曹維東等基于Mask R-CNN 提出一種自動化識別海洋鋒的方法，該方法在對海洋鋒進行像素級的識別基礎(chǔ)上，基于閾值法對鋒面識別結(jié)果進行精細(xì)化調(diào)整，得出了較好的海洋鋒識別結(jié)果[14]。Xu 等針對海洋鋒數(shù)據(jù)量小、弱邊緣性等自身特性，將一種改進的Mask R-CNN 網(wǎng)絡(luò)應(yīng)用于海洋鋒的檢測，通過多次迭代訓(xùn)練及參數(shù)修正，實現(xiàn)了海洋鋒的高精度檢測[23]。

基于深度學(xué)習(xí)的目標(biāo)檢測，目標(biāo)特征的有效表達和提取是提高目標(biāo)檢測的關(guān)鍵。隨著SENet（Squeeze and Excitation Net）新型網(wǎng)絡(luò)的提出，SE（Squeeze and Excitation）被廣泛應(yīng)用于基于深度學(xué)習(xí)的目標(biāo)檢測任務(wù)，它通過采用一種全新的“特征重標(biāo)定”策略對每個通道的重要程度進行評估，增強特征提取效果[24]。Roy 等基于SE 模塊提出了一種新型的scSE 模塊，用于目標(biāo)的檢測，實驗結(jié)果表明在實際檢測分割任務(wù)中，scSE 模塊的性能明顯優(yōu)于SE 模塊[25]。Lee 等提出了一種空間注意力引導(dǎo)的Mask 分割方法，提升網(wǎng)絡(luò)對圖像中重要特征的關(guān)注度，增強目標(biāo)特征的提取[26]。

基于SST 遙感影像提取海洋鋒線信息屬于海洋要素場高頻信息的提取，使用傳統(tǒng)方法和一般的融合深度學(xué)習(xí)的方法難度很大，且難以達到理想的檢測效果。受scSE 注意力機制的啟發(fā)，本文基于Mask R-CNN 提出一種注意力引導(dǎo)的海洋鋒檢測方法，通過加權(quán)策略提升網(wǎng)絡(luò)對重要通道特征和重要空間位置特征的關(guān)注度，增強目標(biāo)特征的提取效果，從而提高模型的檢測精度；并通過引入優(yōu)化損失函數(shù)，提高海洋鋒目標(biāo)邊緣定位準(zhǔn)確率。最后，為驗證本文算法檢測性能，構(gòu)建不同數(shù)據(jù)集，并設(shè)計多組對比實驗，不斷修正模型參數(shù)及優(yōu)化損失函數(shù)，提高海洋鋒檢測精度。

1 融合scSE 注意力的改進Mask RCNN 海洋鋒檢測

1.1 Mask R-CNN 的基本原理

Mask R-CNN 是一種典型的二階段目標(biāo)檢測網(wǎng)絡(luò)，由Backbone、RPN（Region proposal network）、ROIAlign 和Classifier 四部分組成，網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示[16]。Backbone 作為Mask R-CNN 的骨干網(wǎng)絡(luò)，由殘差網(wǎng)絡(luò)（Residual network，ResNet）和特征金字塔網(wǎng)絡(luò)（Feature pyramid network，F(xiàn)PN） 組成，用于提取輸入圖像的特征；RPN 用于生成候選區(qū)域（Region proposal），并對每個特征區(qū)域進行類別可能性判斷和回歸；ROIAlign 用于收集圖像特征和候選區(qū)域特征，作為后續(xù)全連接層的輸入，而后進行目標(biāo)類別判定；Classifier 通過計算候選區(qū)域類別，再次進行框回歸，精確定位檢測框，并為目標(biāo)生成掩碼。

圖1 Mask R-CNN 網(wǎng)絡(luò)結(jié)構(gòu)圖

1.2 scSE 注意力模塊

scSE 注意力模塊作為一種突出目標(biāo)特征和抑制噪聲的重要手段，是空間壓縮通道激勵模塊（Channel Squeeze and Spatial Excitation，sSE）和通道壓縮空間激勵模塊（Spatial Squeeze and Channel Excitation，cSE）的并行組合[25]。通過計算特征圖通道和空間特征的重要性程度，增強網(wǎng)絡(luò)對特征圖中重要通道和空間特征的學(xué)習(xí)能力，優(yōu)化目標(biāo)檢測效果。scSE 注意力模塊對于輸入的特征圖，首先進行空間特征的壓縮，根據(jù)各通道之間的依賴關(guān)系對特征圖進行調(diào)整，并通過全局池化及歸一化操作后計算各通道的重要性，提高網(wǎng)絡(luò)對重要通道特征的學(xué)習(xí)能力。其次，壓縮特征圖的通道特征，經(jīng)過歸一化操作計算特征圖中各個位置的空間信息重要性，增強重要空間位置特征?；谏鲜雒枋?，將得到的同時具有重要通道特征和重要空間特征的特征子圖進行更強的激勵，引導(dǎo)網(wǎng)絡(luò)在訓(xùn)練過程中對目標(biāo)重要特征的學(xué)習(xí)。具體算法步驟如下：

輸入：特征圖U= [u1，u2，…，uc]；

輸出：具有高重要性的特征子圖U′= [u′1，u′2，…，u′c]。

1.3 融合scSE 注意力的改進Mask R-CNN 海洋鋒檢測方法

海洋鋒作為SST 影像中的弱邊緣小目標(biāo)，經(jīng)過多次卷積和池化操作后，大量的小目標(biāo)特征信息易被丟棄，導(dǎo)致檢測結(jié)果存在較多的錯檢和漏檢。針對此問題，對Mask R-CNN 中的特征提取網(wǎng)絡(luò)結(jié)構(gòu)進行改進，設(shè)計scSE 注意力模塊引導(dǎo)的特征提取網(wǎng)絡(luò)，提升網(wǎng)絡(luò)的特征提取效果；此外，針對實例分割時目標(biāo)邊緣定位不準(zhǔn)確的問題，引入IoU boundary loss 構(gòu)建新的Mask 損失函數(shù)，提高邊界檢測精度。

1.3.1 scSE 模塊嵌入設(shè)計 Resnet-50 與Resnet-101 作為Mask R-CNN 常用的殘差網(wǎng)絡(luò)，其網(wǎng)絡(luò)的深度對海洋鋒檢測效果具有很大的影響。深層殘差網(wǎng)絡(luò)在有限的訓(xùn)練數(shù)據(jù)下容易出現(xiàn)過擬合，目標(biāo)檢測效果差。因此，文中選用淺層的Resnet-50 網(wǎng)絡(luò)提取特征，并將scSE 注意力模塊嵌入Resnet 網(wǎng)絡(luò)中，通過加權(quán)策略提升網(wǎng)絡(luò)對海洋鋒重要特征的關(guān)注度，增強骨干網(wǎng)絡(luò)對重要的空間和通道特征的表征能力，并有效緩解淺層網(wǎng)絡(luò)對復(fù)雜高層特征提取效果差的問題，融合scSE 模塊的網(wǎng)絡(luò)結(jié)構(gòu)如圖2 所示。

圖2 融合scSE 空間注意力模塊的Mask R-CNN 網(wǎng)絡(luò)結(jié)構(gòu)圖

1.3.2 損失函數(shù)的優(yōu)化設(shè)計 在深度學(xué)習(xí)中，損失函數(shù)是衡量一個模型學(xué)習(xí)能力強弱的重要指標(biāo)，它代表著真實值與預(yù)測值的差異。傳統(tǒng)的Mask RCNN 網(wǎng)絡(luò)的損失函數(shù)由分類誤差（Lcls）、回歸框誤差（Lbox）和掩膜誤差（Lmask）3 部分組成，其公式如下：

Lcls使用Softmax 損失函數(shù)計算目標(biāo)的分類概率，Lbox使用SmoothL1函數(shù)計算邊框損失，公式如下：

式中：x 為輸入值。在進行檢測任務(wù)時，網(wǎng)絡(luò)輸出每類對象的mask，Lmask為所有像素平均二值交叉熵（Binary crossentropy）損失函數(shù)，計算公式如下：

在海洋鋒檢測的任務(wù)中，利用LabelMe 軟件進行實際目標(biāo)標(biāo)注時，僅關(guān)注海洋鋒的邊緣信息就能很好地表征目標(biāo)對象，因此邊緣信息對于海洋鋒檢測十分重要。原始Mask R-CNN 損失函數(shù)依賴于區(qū)域信息，造成邊緣信息的檢測不準(zhǔn)確。針對此問題，本文對Lmask進行優(yōu)化，引入IoU boundary loss構(gòu)建新的Mask 損失函數(shù)，通過提取Mask 掩碼的邊界像素，計算真實Mask 邊界與預(yù)測Mask 邊界的重合情況[28]，記為Lboundary：

式中：|Cj|表示真實Mask 邊界像素強度之和，||表示預(yù)測Mask 邊界像素強度之和。優(yōu)化后Mask 部分的損失函數(shù)記為Lmask-boundary：

式中：y 表示二值化后的實際輸出，y^表示二值化后的預(yù)測輸出。

1.4 模型訓(xùn)練

本文在TensorFlow-keras 深度學(xué)習(xí)框架下，融合scSE 空間注意力模塊構(gòu)建了一種改進Mask RCNN 的海洋鋒自動檢測模型。根據(jù)海洋鋒邊緣信息的強弱不同，本文將海洋鋒預(yù)先劃分為2 類，分別記為Sfront 和Wfront，Sfront 表示強海洋鋒，Wfront 表示弱海洋鋒。其中，參考專家經(jīng)驗將鋒面兩側(cè)溫度差為3～6 ℃，水平溫度梯度在1.5～3 ℃/km區(qū)間視為強鋒；將鋒面兩側(cè)溫度差為1～3 ℃，水平溫度梯度在0.1～1.5 ℃/km 區(qū)間視為弱鋒[29-30]。

充足的訓(xùn)練樣本是基于深度學(xué)習(xí)的海洋鋒檢測的基礎(chǔ)，海洋鋒作為SST 遙感影像上的小尺度、弱邊緣目標(biāo)檢測對象，構(gòu)建充足有效的訓(xùn)練數(shù)據(jù)集成本高、難度大，尤其在海洋鋒面的邊緣信息多變且不明顯的弱海洋鋒區(qū)域，數(shù)據(jù)集構(gòu)建難度更大。針對此問題，本文收集全球海洋鋒多發(fā)地SST 影像（文中選取海洋鋒聚集多發(fā)的墨西哥灣及加利福尼亞灣影像），如圖3（a）所示，分別進行有效擴增和特征增強處理。根據(jù)海洋鋒的呈現(xiàn)形式，對含有海洋鋒的遙感影像進行旋轉(zhuǎn)、翻轉(zhuǎn)及批量裁剪的擴充和基于CLAHE（Contrast Limited Adaptive Histogram Equalization） 算法的特征增強處理，得到2010—2020 年2100 景的紅外與微波融合的SST 增強遙感影像，如圖3（b）所示；紅外波段數(shù)據(jù)來自Terra 和Aqua 衛(wèi)星的MODIS 數(shù)據(jù)，微波波段數(shù)據(jù)來自AMSR-E 和AMSR2 傳感器，數(shù)據(jù)空間分辨率為9 km，時間分辨率為1d；為驗證不同數(shù)據(jù)對模型性能的影響，文中計算增強影像的灰度影像和梯度影像，如圖3（c）、（d）所示。

圖3 數(shù)據(jù)集

數(shù)據(jù)集建立完成后，使用LabelMe 軟件按照COCO（Common Objects in Context）數(shù)據(jù)集的格式對三種數(shù)據(jù)集分別進行標(biāo)注，并盡量將連續(xù)的鋒區(qū)劃為一體，圖4 為標(biāo)注示例圖。標(biāo)注完成后，使用本文提出的融合scSE 注意力的Mask R-CNN 網(wǎng)絡(luò)分別進行訓(xùn)練。為滿足訓(xùn)練與測試要求，將75%樣本作為訓(xùn)練集（train set） 用于模型的訓(xùn)練，25%作為測試集（test set），用來評估訓(xùn)練后模型的泛化誤差。

圖4 標(biāo)注示例圖

為滿足海洋鋒檢測精度的需求，首先將COCO數(shù)據(jù)集訓(xùn)練好的通用圖像分類網(wǎng)絡(luò)模型作為預(yù)訓(xùn)練模型，COCO 數(shù)據(jù)集是一個含有328 000 景影像及2 500 000 個標(biāo)簽的大型數(shù)據(jù)集，常作為目標(biāo)檢測、物體分割等識別模型的預(yù)訓(xùn)練數(shù)據(jù)集；并利用構(gòu)建好的三種訓(xùn)練數(shù)據(jù)集，對預(yù)訓(xùn)練好的模型進行多次迭代訓(xùn)練及參數(shù)調(diào)整（表1）。批量大小（batch_size）設(shè)置為16、32、64、128；學(xué)習(xí)率（Learning rate）設(shè)置為0.01、0.001、0.0001；1000×n 表示模型的迭代次數(shù)，1≤n≤30。通過不斷調(diào)整模型訓(xùn)練時的batch_size、Learning rate 及迭代次數(shù)三個參數(shù)，根據(jù)海洋鋒的檢測效果，選擇最優(yōu)的參數(shù)組合。

表1 模型的參數(shù)設(shè)置

2 融合scSE 注意力的改進Mask RCNN 的海洋鋒檢測

2.1 檢測模型評估指標(biāo)

準(zhǔn)確率（Accuracy）反映了檢測模型對所有目標(biāo)類別的檢測性能，是模型預(yù)測正確的個數(shù)和所有預(yù)測個數(shù)的比值。而在實際檢測任務(wù)中，研究者更關(guān)注檢測目標(biāo)的檢測結(jié)果。為客觀、全面地評價網(wǎng)絡(luò)模型，文中選用平均精確度mAP（Mean Average Precision）值和IoU（Intersection-over-union）值對模型的整體性能進行評估。mAP 是預(yù)測多個目標(biāo)類別的平均查準(zhǔn)率，通過精確率（Precision，P），召回率（Recall，R）計算得出，以P 為縱坐標(biāo)，R為橫坐標(biāo)，繪制P-R（Presicion-recall） 曲線，mAP 則為多類別P-R 曲線下的面積平均值。P 為檢測出的實際目標(biāo)數(shù)與檢測出的樣本總數(shù)之比，R為檢測出的實際目標(biāo)數(shù)與樣本中實際目標(biāo)總數(shù)之比。公式如下：

式中：TP 表示實際目標(biāo)圖像被正確檢測出來的樣本個數(shù)；FP 為不是實際目標(biāo)圖像，卻被檢測為目標(biāo)圖像的樣本個數(shù)；FN 為實際目標(biāo)圖像中未檢測出來的樣本個數(shù)；C 為目標(biāo)種類個數(shù)。

在大多數(shù)的目標(biāo)檢測任務(wù)中，mAP 可以很好地表征模型的檢測性能，無法對目標(biāo)的位置進行有效評估。針對此問題，文中選用交并比（Intersection-over-union）指標(biāo)對Mask 掩碼位置進行評估。IoU 是用來衡量真實目標(biāo)框與實際檢測目標(biāo)框差異的參數(shù)，真實目標(biāo)框和實際檢測目標(biāo)框分別記作A和B，即用來表示實際檢測目標(biāo)框與真實海洋鋒的重合情況，IoU=1 表示完全重合，IoU= 0 表示無任何交集，其公式為：

2.2 對比實驗結(jié)果分析

經(jīng)過多次參數(shù)調(diào)整訓(xùn)練，文中將網(wǎng)絡(luò)學(xué)習(xí)率設(shè)為0.001，每次迭代的批處理量（Batch size）設(shè)為32，每迭代1000 次，對海洋鋒進行一次預(yù)測。經(jīng)過25 000 次迭代后，訓(xùn)練網(wǎng)絡(luò)已具備檢測海洋鋒的能力。表2 中給出不同迭代次數(shù)，網(wǎng)絡(luò)的訓(xùn)練損失（loss） 及識別精度（mAP）。從表2 中可以看出，經(jīng)過25 000 次迭代后，訓(xùn)練損失得到有效收斂，并逐步下降，模型的檢測精度也隨之提高，達0.89 以上。

表2 訓(xùn)練網(wǎng)絡(luò)損失和識別精確率

為了驗證數(shù)據(jù)對海洋鋒檢測結(jié)果的影響，本文按照數(shù)據(jù)標(biāo)注時對強、弱海洋鋒的分類分別對三種數(shù)據(jù)集進行訓(xùn)練，并計算IoU 和mAP 評估模型的定位準(zhǔn)確率和檢測準(zhǔn)確率。IoU 作為海洋鋒識別的量化精度結(jié)果，可通過計算圖5（b）與5（c）的交并比得到。三種數(shù)據(jù)集下的模型定位準(zhǔn)確率及檢測準(zhǔn)確率測試結(jié)果如表3 所示。圖5（b）為人工標(biāo)注結(jié)果，圖5（c）為本文提出模型的檢測結(jié)果。

表3 模型定位準(zhǔn)確率及檢測準(zhǔn)確率測試結(jié)果

圖5 海洋鋒識別精度量化過程

表3 展示了不同數(shù)據(jù)集下迭代30 000 次后海洋鋒檢測結(jié)果，研究發(fā)現(xiàn)，利用梯度影像進行海洋鋒檢測時，其定位準(zhǔn)確率和檢測準(zhǔn)確率均高于增強影像和灰度影像。這一實驗結(jié)果表明，海表面溫度變化的梯度差異更能準(zhǔn)確地描述海洋鋒存在與否。對比三種數(shù)據(jù)集的強、弱鋒的檢測精度和定位準(zhǔn)確率，進一步表明了本文提出的模型也適用于弱鋒的檢測。

為體現(xiàn)本文模型對海洋鋒檢測效果的優(yōu)勢，將其與傳統(tǒng)Mask R-CNN 模型、Xu 等提出的Mask R-CNN[23]及YOLOv3 模型在三種數(shù)據(jù)集上進行對比實驗。本文模型在原始Mask R-CNN 網(wǎng)絡(luò)基礎(chǔ)上融合了scSE 空間注意力模塊，同時優(yōu)化了損失函數(shù)。通過迭代30 000 次訓(xùn)練，得到模型定位準(zhǔn)確率及模型精度，分別如表4、表5 所示。圖6 給出部分測試數(shù)據(jù)集的檢測結(jié)果及原始影像的對照圖，其中圖6（a）為部分標(biāo)注數(shù)據(jù)，圖6（b）為標(biāo)注數(shù)據(jù)對應(yīng)的輸出檢測結(jié)果。為檢驗Lboundary損失函數(shù)對海洋鋒定位效果，文中在相同的數(shù)據(jù)集下，分別利用模型中原有損失函數(shù)Lmask和優(yōu)化的Lmask-boundary損失函數(shù)進行對比實驗，具體實驗對比結(jié)果見表4。

表4 模型定位準(zhǔn)確率對比

表5 模型精度對比

圖6 測試數(shù)據(jù)的輸出結(jié)果

如表4、表5 結(jié)果所示，相比YOLOv3、傳統(tǒng)Mask R-CNN 算法及Xu 等[23]的方法，本文提出的海洋鋒檢測方法的定位準(zhǔn)確率和檢測精度都有一定提高。且無論采用哪種模型，使用梯度影像數(shù)據(jù)集訓(xùn)練得到的模型的定位準(zhǔn)確率及檢測精度均最高，灰度影像檢測效果最差。此外，本文方法平均定位準(zhǔn)確率為89.13%，平均mAP 為88.87%。相比YOLOv3、Mask R-CNN 及Xu 等[23]算法mAP 值分別提高了6.57%、5.31%和1.97%。通過對比不同損失函數(shù)下本文方法的IoU 值，在三種數(shù)據(jù)集下，Lmask-boundary損失函數(shù)下的IoU 均高于原有Lmask損失函數(shù)，分別提升2.04%、4.40%和3.30%。而mAP 值的提升僅在0.03%左右。綜合考慮模型的定位準(zhǔn)確率及檢測精度評價指標(biāo)，本文方法的檢測效果優(yōu)于已有模型，證明了方法的可行性和有效性。

在海洋鋒的檢測任務(wù)中，快速識別海洋鋒是實際漁業(yè)應(yīng)用的關(guān)鍵。為有效評估模型的檢測效率，文中給出了特征增強影像集在不同網(wǎng)絡(luò)模型、不同迭代次數(shù)下運行的所用時長，如圖7 所示。在不同迭代次數(shù)的情況下，本文模型消耗時間最短，并遠遠低于YOLOv3 完成模型時所消耗的時間。

圖7 不同模型的訓(xùn)練時間對比圖

3 總結(jié)

海洋鋒作為一種重要的海洋現(xiàn)象，快速、精確檢測海洋鋒對海洋生態(tài)及深遠海海上風(fēng)電選址、漁業(yè)資源、臺風(fēng)路徑預(yù)測等都有重要意義。結(jié)合深度學(xué)習(xí)技術(shù)在圖像識別、目標(biāo)檢測等領(lǐng)域的發(fā)展，本文融合scSE 空間注意力模塊構(gòu)建了一種改進Mask R-CNN 的海洋鋒自動檢測模型，并針對邊緣目標(biāo)定位不準(zhǔn)確的問題，構(gòu)建了新的Mask 損失函數(shù)，以實現(xiàn)海洋鋒像素級的高精度檢測。為適應(yīng)融合深度學(xué)習(xí)的海洋鋒檢測需求，針對海洋鋒數(shù)據(jù)稀缺、小目標(biāo)及弱邊緣特性，在訓(xùn)練數(shù)據(jù)集準(zhǔn)備階段對數(shù)據(jù)分別進行多種形式的擴充及特征增強預(yù)處理操作。其次，模型訓(xùn)練階段，采用淺層殘差網(wǎng)絡(luò)和融合scSE 空間注意力模塊對不同數(shù)據(jù)集進行重要特征的提取，實現(xiàn)強弱海洋鋒的高精度識別。針對海洋鋒目標(biāo)邊緣定位不準(zhǔn)確的問題，引入IoU boundary loss 構(gòu)建新的Mask 損失函數(shù)，提高邊界檢測精度。實驗結(jié)果表明，本文方法利用梯度影像對海洋鋒識別的平均定位準(zhǔn)確率和檢測精度分別為91.6%、91.4%，且在不同網(wǎng)絡(luò)、不同迭代次數(shù)下，本文模型消耗時間最短。此外，根據(jù)專家經(jīng)驗設(shè)立合理的海洋鋒檢測標(biāo)準(zhǔn)，篩選海洋強、弱鋒數(shù)據(jù)集，分別利用不同強度的海洋鋒驗證模型的有效性，結(jié)果顯示強鋒和弱鋒的檢測精度和定位準(zhǔn)確率非常接近，表明本文提出的模型也適用于弱鋒的檢測。