一个精细的基于深度学习的算法,用于远程感知识别有害的藻类繁殖,以Noctiluca scintillans藻类繁殖为例

科学领域:

• 遥感 遥感 遥感 遥感
• 海洋生物学 海洋生物学
• 人工智能的人工智能

背景情况:

• 有害藻类繁殖 (HABs) 由于分布不齐和不均,因此存在识别挑战.
• 现有的HAB检测方法通常依赖于值,限制其准确性.

研究的目的:

• 开发一种精细的深度学习算法 (HAB-Net),用于在GF-1宽视场 (WFV) 图像中准确识别HAB.
• 通过实现无值的HAB识别来克服现有方法的局限性.

主要方法:

• 集成了一个预训练的图像超分辨率模型来增强GF-1 WFV图像分辨率.
• 利用侧窗卷积来改善HAB边缘特征检测.
• 构建了一个卷积式编码器-解码器网络,用于无值识别.

主要成果:

• HAB-Net实现了90.1%的平均精度和HAB识别的0.86 F1得分.
• 与现有方法相比,F1得分有超过4%的改善,特别是在边缘开花区域.
• 成功应用于各种海洋环境和检测像Sargassum这样的宏观藻类.

结论:

• 深度学习为细粒度的HAB识别提供了潜力,解决了生物质分布不均的挑战.
• HAB-Net提供了一个强大的和有效的工具来监测HAB和类似的分布式现象.
• 该算法的功能可以扩展到检测其他细度,条形分布的物体,如石油泄漏和Ulva prolifera.