陽(yáng)凡林，朱正任，李家彪，馮成凱，邢 喆，吳自銀

1. 山東科技大學(xué)測(cè)繪科學(xué)與工程學(xué)院，山東 青島 266590； 2. 自然資源部海洋測(cè)繪重點(diǎn)實(shí)驗(yàn)室，山東 青島 266590； 3. 自然資源部第二海洋研究所，浙江 杭州 310012； 4. 國(guó)家海洋信息中心，天津 300171

海底底質(zhì)是海洋環(huán)境的重要指標(biāo)，底質(zhì)類型的分類和識(shí)別在海洋資源的開(kāi)發(fā)利用、海洋工程、環(huán)境科學(xué)和海洋漁業(yè)等諸多領(lǐng)域具有重要意義。傳統(tǒng)的海底底質(zhì)探測(cè)主要通過(guò)拖曳式采樣器、表層采樣器、柱狀采樣器、重力活塞采樣器、海底照相等，這些方法存在機(jī)械笨重、費(fèi)時(shí)費(fèi)力及深水區(qū)域采樣困難等缺點(diǎn)，因此，利用聲學(xué)遙感進(jìn)行海底底質(zhì)分類得到了廣泛關(guān)注[1-3]。多波束測(cè)深系統(tǒng)(multibeam echo sounder,MBES)可同時(shí)采集測(cè)深和反向散射強(qiáng)度數(shù)據(jù)(backscatter strength,BS)，具有覆蓋面積廣、分辨率高等優(yōu)點(diǎn)，可以快速、準(zhǔn)確地獲取調(diào)查區(qū)域內(nèi)底質(zhì)的分布情況[4-5]。

國(guó)內(nèi)外學(xué)者對(duì)多波束海底底質(zhì)分類進(jìn)行了廣泛研究。文獻(xiàn)[6]提取反向散射圖像分形維數(shù)、光譜長(zhǎng)度等特征作為K-means聚類參數(shù)進(jìn)行分類；文獻(xiàn)[7]通過(guò)反向散射圖像的紋理和振幅特征，使用貝葉斯分類器進(jìn)行分類；文獻(xiàn)[8]通過(guò)提取反向散射圖像的均值、標(biāo)準(zhǔn)差等特征，構(gòu)建單元特征向量，利用遺傳小波神經(jīng)網(wǎng)絡(luò)進(jìn)行海底底質(zhì)分類。由于多波束反向散射圖像具有強(qiáng)噪聲特點(diǎn)，很難將圖像處理到比較理想的水平，特別是影響顯著的入射角效應(yīng)。為了避開(kāi)此影響，文獻(xiàn)[9]利用角度響應(yīng)(angle response,AR)曲線進(jìn)行無(wú)監(jiān)督聚類，實(shí)現(xiàn)了海底底質(zhì)的劃分；文獻(xiàn)[10]通過(guò)提取角度響應(yīng)曲線特征，結(jié)合反向散射圖像紋理使用隨機(jī)森林算法進(jìn)行分類；文獻(xiàn)[11]通過(guò)提取角度響應(yīng)曲線的一階導(dǎo)數(shù)、二階導(dǎo)數(shù)和曲率等特征進(jìn)行分類；文獻(xiàn)[12]利用角度響應(yīng)曲線構(gòu)建其三維概率密度進(jìn)行分類。上述方法主要利用多波束反向散射強(qiáng)度形成的圖像及其提取的角度響應(yīng)曲線進(jìn)行分類，分類數(shù)據(jù)類型單一，反向散射強(qiáng)度數(shù)據(jù)質(zhì)量直接決定了分類的精度。除反向散射強(qiáng)度外，多波束測(cè)深數(shù)據(jù)具有較高的精度，研究表明，海底地形變化與海底底質(zhì)的空間分布存在密切關(guān)系[13-14]。因此，本文在反向散射強(qiáng)度的基礎(chǔ)上加入了地形數(shù)據(jù)輔助進(jìn)行分類，改善了分類數(shù)據(jù)類型單一的問(wèn)題，提高了分類精度。

決定多波束底質(zhì)分類精度和效果有兩方面因素，除需要有效特征外，還取決于優(yōu)秀的分類器。文獻(xiàn)[15—18]提出深度學(xué)習(xí)的概念，闡述了深層神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)的優(yōu)越性并提出了“逐層預(yù)訓(xùn)練”的方法，從此掀起了深度學(xué)習(xí)的熱潮。卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)是深層神經(jīng)網(wǎng)絡(luò)的一種，因其具有權(quán)值共享，適用性強(qiáng)等優(yōu)點(diǎn)，廣泛應(yīng)用于手寫(xiě)數(shù)字識(shí)別、地震波波形檢測(cè)與分類、影像匹配和高光譜遙感圖像分類等領(lǐng)域[19-22]。目前，關(guān)于人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于海底底質(zhì)分類已有相關(guān)研究[14,23]，但利用CNN進(jìn)行多波束底質(zhì)分類的研究較少，文獻(xiàn)[24—25]將反向散射圖像分割后利用CNN進(jìn)行分類，取得了較高的分類精度，但分類結(jié)果圖的空間分辨率降低。為此，本文將以像元為單元，將一維特征向量轉(zhuǎn)換為二維波形圖作為CNN的輸入層，在保證全特征、高空間分辨率的同時(shí)，實(shí)現(xiàn)對(duì)海底底質(zhì)的快速、高精度識(shí)別。

1 多類型特征提取

特征提取是進(jìn)行訓(xùn)練和分類的重要前提，海底底質(zhì)分類特征按其數(shù)據(jù)類型劃分主要包括：反向散射強(qiáng)度特征和海底地形特征。

1.1 反向散射強(qiáng)度特征

反向散射強(qiáng)度是海底底質(zhì)分類的主要數(shù)據(jù)類型，本文提取反向散射圖像(灰度、角二階矩、能量、對(duì)比度及相關(guān)性)5個(gè)及AR曲線(均值、斜率、峰度、偏度)4個(gè)，共9個(gè)特征用于底質(zhì)分類。

1.1.1 反向散射圖像特征

反向散射圖像除灰度這個(gè)基本統(tǒng)計(jì)特征外，還蘊(yùn)含豐富的紋理信息。紋理信息反映了圖像表面信息及其與周圍環(huán)境的關(guān)系，更好地兼顧了圖像的宏觀結(jié)構(gòu)和微觀結(jié)構(gòu)[26-27]?；叶裙采仃?gray level co-occurrence matrix,GLCM)是描述和分析圖像紋理的一種有效手段，本文利用灰度共生矩陣法，選取了最具有代表性的4個(gè)紋理特征參數(shù)：角二階矩(angular second moment,ASM)、能量(energy,E)、對(duì)比度(contrast,CON)、相關(guān)性(correlation,COR)。具體計(jì)算方法參見(jiàn)文獻(xiàn)[28—29]。

1.1.2 角度響應(yīng)曲線特征

角度響應(yīng)(AR)曲線是反向散射強(qiáng)度隨入射角變化的曲線，與底質(zhì)的屬性有關(guān)，提取AR特征能實(shí)現(xiàn)海底底質(zhì)分類。

如圖1所示，在常見(jiàn)底質(zhì)下，入射角θ在0°～15°時(shí)，換能器受鏡面反射的影響，接收的反向散射強(qiáng)度較大，稱為D1區(qū)，即中央異常區(qū)；入射角θ在15°～65°時(shí)，換能器主要接收散射模式中的后向散射部分，成為D2區(qū)，即漫反射區(qū)；入射角θ超過(guò)65°時(shí)，稱為D3區(qū)，即高入射區(qū)[30-31]?；谏鲜鯝R曲線的分段理論，提取數(shù)據(jù)質(zhì)量較好的D2區(qū)，將其斜率絕對(duì)值|K2|及均值Mean2作為AR曲線的特征參數(shù)，其中取絕對(duì)值的目的是為了左舷和右舷斜率符號(hào)統(tǒng)一。

圖1 AR曲線分區(qū)Fig.1 Schematic depiction of AR curve division

在同一底質(zhì)類型下，多波束每ping(一個(gè)發(fā)射接收周期)數(shù)據(jù)對(duì)應(yīng)的AR曲線(圖2)，其整體變化趨勢(shì)也可應(yīng)用于海底底質(zhì)分類。峰度(kurtosis)和偏度(skewness)是統(tǒng)計(jì)學(xué)中常用的統(tǒng)計(jì)量，可以描述和分析數(shù)據(jù)的分布形態(tài)，選取峰度和偏度作為AR曲線的特征參數(shù)，具體計(jì)算方法見(jiàn)文獻(xiàn)[32—33]。

圖2 1 ping測(cè)量數(shù)據(jù)對(duì)應(yīng)的AR曲線Fig.2 Schematic depiction of AR curve of one ping data

AR曲線特征提取具體步驟如下。

(1) 以ping為單位，分別提取AR曲線左舷和右舷D2區(qū)的數(shù)據(jù)，計(jì)算均值Mean2和斜率絕對(duì)值|K2|，將其作為左舷和右舷所有采樣點(diǎn)的AR特征值。

(2) 重復(fù)步驟(1)，直至測(cè)區(qū)所有條帶的采樣點(diǎn)都獲取其對(duì)應(yīng)的AR特征值。

(3) 在地理坐標(biāo)約束下，將測(cè)區(qū)內(nèi)所有采樣點(diǎn)的AR特征值進(jìn)行重采樣(格網(wǎng)化)，得到AR曲線均值和斜率絕對(duì)值特征圖。

(4) 以ping為單位，計(jì)算整體AR曲線的峰度和偏度，將其作為該ping內(nèi)所有采樣點(diǎn)的AR特征值。

(5) 重復(fù)步驟(4)，直至測(cè)區(qū)所有條帶的采樣點(diǎn)都獲取其對(duì)應(yīng)的AR特征值。

(6) 在地理坐標(biāo)約束下，將測(cè)區(qū)內(nèi)所有采樣點(diǎn)的AR特征值進(jìn)行重采樣(格網(wǎng)化)，得到AR曲線峰度和偏度特征圖。

1.2 海底地形特征

多波束系統(tǒng)以測(cè)深為主，能獲取高質(zhì)量的海底地形，而海底地形信息往往與底質(zhì)的空間分布息息相關(guān)。本文利用測(cè)深數(shù)據(jù)，提取了水深均值(mean)、坡度(slope)、地表曲率(curvature)和粗糙度(roughness)4個(gè)地形特征應(yīng)用于海底底質(zhì)分類。具體計(jì)算方法參見(jiàn)文獻(xiàn)[34]。

2 卷積神經(jīng)網(wǎng)絡(luò)底質(zhì)分類模型

卷積神經(jīng)網(wǎng)絡(luò)(CNN)多波束海底底質(zhì)分類流程如圖3所示。首先，將原始數(shù)據(jù)進(jìn)行數(shù)據(jù)解析及各項(xiàng)預(yù)處理；然后，進(jìn)行特征提取構(gòu)建特征向量，將特征向量轉(zhuǎn)換為波形圖；最后，建立CNN模型進(jìn)行迭代訓(xùn)練，直至滿足期望誤差，輸出分類結(jié)果，完成精度評(píng)價(jià)。其中，特征向量到波形圖的轉(zhuǎn)換是利用CNN模型進(jìn)行高空間分辨率海底底質(zhì)分類的關(guān)鍵。

圖3 CNN底質(zhì)分類流程Fig.3 Process for seafloor classification using CNN

2.1 卷積神經(jīng)網(wǎng)絡(luò)構(gòu)成

隨著大數(shù)據(jù)時(shí)代的到來(lái)，深度學(xué)習(xí)得到快速發(fā)展，CNN是一種基于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，因其具有局部連接、權(quán)值共享及池化操作等特性，可以有效降低網(wǎng)絡(luò)復(fù)雜度，減少訓(xùn)練參數(shù)，且易于優(yōu)化和訓(xùn)練，已成為當(dāng)前圖像分類與識(shí)別領(lǐng)域的研究熱點(diǎn)[35-36]。

CNN結(jié)構(gòu)一般由輸入輸出層、卷積層(S)、池化層(C)和全連接層(F)等組成。卷積層包含若干組可以學(xué)習(xí)的卷積核，這些參數(shù)是CNN訓(xùn)練的核心。當(dāng)前層的卷積核對(duì)上一層的特征圖做卷積運(yùn)算，然后通過(guò)一個(gè)激活函數(shù)(activation function)得到新的特征圖

(1)

(2)

池化層常與卷積層交替出現(xiàn)，池化層的主要作用是降采樣，減少數(shù)據(jù)量。常見(jiàn)的池化模式包含“最大池化(max poling)”和“平均池化(mean poling)”兩種。經(jīng)過(guò)卷積層和池化層交替操作后，全連接層將得到的二維特征圖拼接成一維特征，對(duì)其進(jìn)行訓(xùn)練和分類。

CNN對(duì)參數(shù)的學(xué)習(xí)訓(xùn)練是通過(guò)梯度反向傳播算法實(shí)現(xiàn)的，其主要優(yōu)化參數(shù)包括卷積核k,全連接層網(wǎng)絡(luò)權(quán)重w和各層偏置b。網(wǎng)絡(luò)訓(xùn)練過(guò)程中，輸入樣本標(biāo)記和實(shí)際輸出樣本標(biāo)記會(huì)有一定誤差，誤差在梯度下降算法中逐層傳播，逐層更新網(wǎng)絡(luò)參數(shù)。為保證代價(jià)函數(shù)盡可能小，需要不斷反向誤差傳播，更新每一層的參數(shù)。CNN基本算法原理參見(jiàn)文獻(xiàn)[18,20]。

2.2 特征向量到特征曲線圖的轉(zhuǎn)換

以像元為單位構(gòu)成的特征向量是海底底質(zhì)分類的基本單元。如圖4所示，將提取的特征按層結(jié)構(gòu)存儲(chǔ)，本文共有13層，包含反向散射強(qiáng)度特征9層、海底地形特征4層。逐層進(jìn)行歸一化，提取每層相同位置的特征數(shù)據(jù)，構(gòu)成特征向量。其中，歸一化的目的是防止特征向量中元素值差別過(guò)大，導(dǎo)致特征向量向特征曲線圖轉(zhuǎn)換過(guò)程中信息被忽略。

圖4 特征向量Fig.4 Schematic depiction of feature vector

針對(duì)CNN網(wǎng)絡(luò)輸入層的特點(diǎn)，本文將數(shù)據(jù)分類與圖像分類相結(jié)合，以特征序號(hào)為橫坐標(biāo)，特征值大小為縱坐標(biāo)，繪制特征向量的波形圖，將其輸入CNN模型中進(jìn)行訓(xùn)練和分類(圖5)。該方法將單個(gè)樣本點(diǎn)所包含的全部特征信息(特征向量)及其空間信息(各特征變量之間的相對(duì)位置關(guān)系)通過(guò)波形變化的形式展現(xiàn)出來(lái)，即每張波形圖代表某像元的特征信息+空間信息，通過(guò)CNN模型對(duì)波形圖的深度學(xué)習(xí)來(lái)實(shí)現(xiàn)海底底質(zhì)分類。

2.3 模型分類精度評(píng)價(jià)

海底底質(zhì)分類模型的精度評(píng)價(jià)是在分類結(jié)束后，根據(jù)海底底質(zhì)的真實(shí)類別標(biāo)記，統(tǒng)計(jì)分類結(jié)果，以評(píng)估所采用分類算法的準(zhǔn)確性。本文將CNN模型分類結(jié)果與海底底質(zhì)的真實(shí)類別標(biāo)記進(jìn)行對(duì)比得到分類混淆矩陣(confusion matrix,CM)，據(jù)此計(jì)算得到總分類精度(overall accuracy,OA)、使用者精度(user accuracy,UA)、生產(chǎn)者精度(producer accuracy,PA)和Kappa系數(shù)(Kappa coefficient)4個(gè)指標(biāo)，對(duì)其進(jìn)行精度評(píng)價(jià)，具體計(jì)算方法見(jiàn)文獻(xiàn)[37]。

圖5 特征向量到波形圖的轉(zhuǎn)換Fig.5 Schematic depiction of conversion from feature vector to waveform

3 試驗(yàn)與分析

3.1 試驗(yàn)數(shù)據(jù)

本文數(shù)據(jù)來(lái)源于2012年的淺水調(diào)查會(huì)議資料，該測(cè)量數(shù)據(jù)滿足國(guó)際海道測(cè)量規(guī)范(IHO SP-44 Ed 5)特級(jí)精度要求。試驗(yàn)數(shù)據(jù)采集于2011年3月8日，在新西蘭首都惠靈頓附近海域使用Kongsberg-EM2040多波束測(cè)深系統(tǒng)測(cè)得的部分?jǐn)?shù)據(jù)作為研究對(duì)象(圖6(a))。該次試驗(yàn)多波束測(cè)深系統(tǒng)(已檢校)的工作頻率為300 kHz，波束寬度為1°×1°，測(cè)區(qū)水深14～25 m，測(cè)線布設(shè)為西北和東北方向共16條測(cè)線。首先，將原始數(shù)據(jù)進(jìn)行解析、預(yù)處理(處理軟件：CARIS HIPS&SIPS10.0)，由于測(cè)區(qū)條帶重疊區(qū)域較多，測(cè)量點(diǎn)密度達(dá)到70～90 points/m2，在地理坐標(biāo)下進(jìn)行重采樣(分辨率為0.5 m)，最后，進(jìn)行灰度量化，形成多波束反向散射圖像(圖6(b))。

調(diào)查區(qū)域在惠靈頓港口附近，根據(jù)現(xiàn)有資料[38]，碼頭及其周圍海域海底底質(zhì)類型主要為基巖和砂，港口外的南部海岸主要為砂和裸露的珊瑚礁。結(jié)合本次試驗(yàn)區(qū)域26個(gè)現(xiàn)場(chǎng)底質(zhì)取樣資料及水下攝像機(jī)提供的高清影像資料，研究區(qū)域底質(zhì)分為3類，即基巖、砂及泥。另外，調(diào)查區(qū)域還有一艘軍艦殘骸，該艦為HMNZS Wellington，所處位置為(41°21′10.8″S,174°46′48″E)。為驗(yàn)證算法的有效性、適用性，及后續(xù)海底目標(biāo)自動(dòng)檢測(cè)與識(shí)別工作的進(jìn)行，本次試驗(yàn)將沉艦也納為分類對(duì)象。試驗(yàn)提取采樣點(diǎn)及其附近相對(duì)應(yīng)的1150組數(shù)據(jù)，其中沉艦240組、基巖270組、砂340組、泥300組。(隨機(jī)選取800組數(shù)據(jù)作為訓(xùn)練樣本，剩余350組數(shù)據(jù)為測(cè)試樣本)。

3.2 特征提取

為便于說(shuō)明，選取調(diào)查區(qū)域的一部分作為試驗(yàn)區(qū)域(圖6(b)中虛線方框)進(jìn)行本文算法介紹。利用測(cè)區(qū)內(nèi)的反向散射強(qiáng)度和測(cè)深數(shù)據(jù)進(jìn)行特征提取，包含反向散射圖像紋理特征(角二階矩、能量、對(duì)比度和相關(guān)性)、角度響應(yīng)曲線特征(均值、斜率、峰度和偏度)及海底地形特征(水深均值、坡度、地表曲率和粗糙度)。為便于后續(xù)特征向量的提取，格網(wǎng)大小均為0.5 m×0.5 m，提取結(jié)果如圖7、圖8和圖9所示。

圖6 惠靈頓調(diào)查區(qū)域多波束反向散射圖像及底質(zhì)采樣Fig.6 Schematic depiction of multibeam backscatter image and seafloor sampling in Wellington survey area

圖7 多波束反向散射圖像紋理特征Fig.7 Texture features of multibeam backscatter image

圖8 角度響應(yīng)曲線特征Fig.8 Features of angular response curve

3.3 分類與討論

將3.2節(jié)中得到的特征進(jìn)行逐層歸一化，提取特征向量轉(zhuǎn)換為波形圖，如圖10所示，分別展示了沉艦、基巖、砂和泥的4種波形圖(特征組合：反向散射圖像特征+AR特征+海底地形特征)，本次試驗(yàn)波形圖大小為28×28像素。與傳統(tǒng)的CNN輸入層相比，本文的波形圖包含了不同特征之間的空間信息(相對(duì)位置關(guān)系)，更加直觀、清晰地展示了不同類別之間的差異，更易于模型的分類與識(shí)別；波形圖以像元為單位，在分類結(jié)果圖的空間分辨率上更占優(yōu)勢(shì)。

建立深層CNN模型，輸入訓(xùn)練樣本800組，輸出目標(biāo)向量為T，表示3種自然底質(zhì)類型和1種人工目標(biāo)(沉艦)，C1卷積層包含6個(gè)卷積核，卷積核大小為3×3；S1池化層選取最大池化模式，池化窗口為2×2；C2卷積層包含12個(gè)卷積核，卷積核大小為3×3；S2池化層選取最大池化模式，池化窗口為2×2；全連接層數(shù)為1，學(xué)習(xí)率為0.01；每次批處理特征圖5張，所有特征圖循環(huán)迭代5次，共800次(具體CNN參數(shù)的選擇和性能對(duì)比可參考文獻(xiàn)[18])。反向散射圖像的紋理特征是在原始反向散射圖像(灰度)上提取的，海底坡度、曲率、粗糙度等特征是在水深均值(海底DEM)基礎(chǔ)上提取的，上述非原始特征受提取精度和方法的影響，與原始特征(原始反向散射圖像+水深均值+AR特征)的分類效果可能不同，需要定量評(píng)估。另外，也需要分析CNN模型本身對(duì)原始信息的特征提取能力以及加入海底地形特征對(duì)分類結(jié)果的影響，因此，試驗(yàn)選取了5種不同的特征組合進(jìn)行分類，分別是：①反向散射圖像特征；②AR特征；③反向散射圖像特征+AR特征；④原始反向散射圖像+水深均值+AR特征；⑤反向散射圖像特征+AR特征+海底地形特征。通過(guò)上述5種不同的組合模式可以驗(yàn)證本文所提取的不同特征以及加入非原始特征輔助分類的有效性，分類結(jié)果如圖11所示，分類精度見(jiàn)表1。

圖9 多波束海底地形特征Fig.9 Seabed terrain features from multibeam bathymetric data

圖10 沉艦及各自然底質(zhì)波形Fig.10 The waveform map of wreck and seafloor types

圖11 不同特征組合的海底底質(zhì)分類結(jié)果Fig.11 Result maps of seafloor classification by different feature combination models

結(jié)合圖11和表1，可以看出，只利用反向散射圖像特征進(jìn)行分類，不同底質(zhì)邊緣輪廓清晰，但整體連續(xù)性較差，總分類精度和Kappa系數(shù)分別只有66.86%和0.54；只利用AR特征進(jìn)行分類，底質(zhì)連續(xù)性較好，但存在“條紋”現(xiàn)象，總分類精度和Kappa系數(shù)分別為82.29%和0.76；利用反向散射圖像和AR組合特征進(jìn)行分類有效結(jié)合了兩者的優(yōu)勢(shì)，在保證底質(zhì)連續(xù)的情況下，消除了“條紋”現(xiàn)象，取得較好的分類結(jié)果(總分類精度88.86%，Kappa系數(shù)為0.82)；在此基礎(chǔ)上加入海底地形特征后，使得與地形變化相關(guān)的類別，如沉艦錯(cuò)分為其他底質(zhì)的情況減少，分類精度由88.57%提升到93.75%，總分類精度和Kappa系數(shù)也分別由88.86%、0.82提升到94.86%、0.93，驗(yàn)證了加入地形特征輔助分類的有效性。為了分析非原始特征對(duì)分類結(jié)果的影響，利用原始反向散射圖像、水深均值及AR特征組合進(jìn)行分類，如圖11(d)所示，取得了較好的分類結(jié)果(總分類精度90.00%，Kappa系數(shù)為0.86)，但整體低于本文模型算法的分類效果(總分類精度94.86%，Kappa系數(shù)為0.93)。

表1 不同特征組合模型分類精度

為驗(yàn)證本文CNN模型的優(yōu)越性，利用BP網(wǎng)絡(luò)、支持向量機(jī)(support vector machine,SVM)、K近鄰(K-nearest neighbor，KNN)、隨機(jī)森林(random forest,RF)4種經(jīng)典分類器基于同樣的特征組合(反向散射圖像特征+AR特征+海底地形特征)對(duì)同樣的數(shù)據(jù)進(jìn)行分類。BP神經(jīng)網(wǎng)絡(luò)分類時(shí)，輸入層設(shè)置為13，隱含層設(shè)置為15，輸出層設(shè)置為4，學(xué)習(xí)率設(shè)置為0.1；SVM分類時(shí)，核函數(shù)為徑向基函數(shù)(radial basis function,RBF)，網(wǎng)格搜索法尋找最優(yōu)參數(shù)(懲罰因子c:0.7；核函數(shù)參數(shù)g:4)；KNN分類時(shí)，k設(shè)置為5；RF分類時(shí)，樹(shù)最大深度取100，分類結(jié)果見(jiàn)圖12和表2。BP神經(jīng)網(wǎng)絡(luò)作為傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)分類器，其網(wǎng)形結(jié)構(gòu)復(fù)雜，訓(xùn)練參數(shù)較多，但總體分類精度不高(總體分類精度為85.14%，Kappa系數(shù)為0.80)；SVM作為常用的監(jiān)督分類方法，算法簡(jiǎn)單、穩(wěn)健性較好，但其泛化能力較弱，不適合大樣本的數(shù)據(jù)訓(xùn)練，易出現(xiàn)過(guò)擬合現(xiàn)象，總體分類精度為88.85%，Kappa系數(shù)為0.85；KNN作為一種懶惰學(xué)習(xí)算法，模型簡(jiǎn)單，易于理解，但其依賴于訓(xùn)練樣本質(zhì)量及參數(shù)k的選取，總體分類精度只有84.57%，Kappa系數(shù)為0.79；RF作為一種決策樹(shù)的集成算法，泛化能力較強(qiáng)，分類精度較高(總體分類精度為90.00%，Kappa系數(shù)為0.87)，但整體仍低于本文CNN模型得到的結(jié)果(總體分類精度94.86%，Kappa系數(shù)為0.93)，體現(xiàn)了深度學(xué)習(xí)算法在海底底質(zhì)分類中的優(yōu)勢(shì)。

表2 不同分類器分類精度

續(xù)表2

圖13為CNN與BP網(wǎng)絡(luò)訓(xùn)練集迭代次數(shù)與誤差精度的關(guān)系(試驗(yàn)采用的處理器：Intel Core i5 4210H，內(nèi)存：4 GB)?？梢钥闯?，CNN在收斂速度和性能上均優(yōu)于BP網(wǎng)絡(luò)，當(dāng)CNN訓(xùn)練迭代到603步時(shí)，收斂到期望誤差0.1；而B(niǎo)P網(wǎng)絡(luò)計(jì)算至1593步時(shí)才達(dá)到期望誤差，耗時(shí)2 min 28 s，這是由于傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)(如BP網(wǎng)絡(luò))輸入層的每個(gè)神經(jīng)元都要連接到隱含層，對(duì)全局進(jìn)行感知，計(jì)算和收斂速度較慢且容易陷入局部極值。除此之外，SVM作為二分類器，算法簡(jiǎn)單，運(yùn)行效率高，但當(dāng)執(zhí)行多分類任務(wù)時(shí)，需要訓(xùn)練多個(gè)分類器，增加計(jì)算量，試驗(yàn)耗時(shí)1 min 46 s；KNN結(jié)構(gòu)簡(jiǎn)單，運(yùn)算較快，試驗(yàn)耗時(shí)58 s，但其整體分類精度較低；RF作為集成學(xué)習(xí)算法，可以并行訓(xùn)練，提高運(yùn)行效率，試驗(yàn)耗時(shí)1 min 12 s；本文CNN模型算法可以實(shí)現(xiàn)局部感知、權(quán)值共享，試驗(yàn)耗時(shí)1 min 25 s，分類效率高于BP網(wǎng)絡(luò)和SVM，略低于KNN和RF，但整體精度大于上述4種分類器。

利用反向散射與海底地形特征組合采用CNN模型對(duì)整個(gè)調(diào)查區(qū)域進(jìn)行分類，結(jié)果如圖14所示。

可以看出，不同底質(zhì)之間界限清晰，過(guò)渡自然，結(jié)合測(cè)區(qū)已有海底底質(zhì)資料[38](圖6(b))，分類結(jié)果符合真實(shí)的海底底質(zhì)變化情況，驗(yàn)證了本文模型算法對(duì)多波束海底底質(zhì)分類的適用性。

圖13 CNN與BP網(wǎng)絡(luò)訓(xùn)練集迭代次數(shù)與訓(xùn)練誤差的關(guān)系Fig.13 The relationship between iteration times and training error of CNN and BP network training sets

圖14 整個(gè)測(cè)區(qū)海底底質(zhì)分類結(jié)果Fig.14 Result maps of seafloor classification in the whole survey area

4 結(jié) 論

多波束海底底質(zhì)分類是近幾十年來(lái)一直延續(xù)的研究熱點(diǎn)。針對(duì)常規(guī)分類手段中數(shù)據(jù)類型單一，分類器的分類精度和效率較低等問(wèn)題，本文在傳統(tǒng)多波束分類數(shù)據(jù)類型(反向散射強(qiáng)度數(shù)據(jù))的基礎(chǔ)上加入了測(cè)深數(shù)據(jù)進(jìn)行輔助分類，并通過(guò)將特征向量轉(zhuǎn)換成波形圖的方式，利用CNN網(wǎng)絡(luò)進(jìn)行訓(xùn)練和分類，最終以94.86%的整體分類精度區(qū)分出基巖、砂和泥等不同自然底質(zhì)，且準(zhǔn)確劃分出沉艦?zāi)繕?biāo)的輪廓和位置。試驗(yàn)結(jié)果表明，根據(jù)測(cè)深數(shù)據(jù)所提取的海底地形特征與底質(zhì)的空間分布具有很強(qiáng)的相關(guān)性，在反向散射強(qiáng)度信息的基礎(chǔ)上，組合測(cè)深信息進(jìn)行分類，可有效提高分類精度?；谏疃葘W(xué)習(xí)的CNN網(wǎng)絡(luò)，能夠?qū)Σ煌踪|(zhì)和目標(biāo)的波形圖(特征信息+空間信息)進(jìn)行局部感知，充分發(fā)揮其權(quán)值共享的優(yōu)勢(shì)，兼顧分類精度的同時(shí)，提高了分類效率。利用深層卷積神經(jīng)網(wǎng)絡(luò)，組合多波束測(cè)深和反向散射特征進(jìn)行海底底質(zhì)分類，具有特征提取和分類模型的優(yōu)勢(shì)，提高了分類精度和效率，對(duì)多波束海底底質(zhì)分類具有參考意義。