(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210494278.3 (22)申请日 2022.05.07 (71)申请人 中国石油大 学 （华东） 地址 266580 山东省青岛市长江西路6 6号 (72)发明人 宋冬梅　杨长龙　王斌　汤云贺　 (74)专利代理 机构 北京盛询知识产权代理有限 公司 11901 专利代理师 方亚兵 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/77(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 基于多级小波分解密接网络的高光谱图像 溢油检测方法 (57)摘要 本发明提出基于多级小波分解密接网络的 高光谱图像溢油检测方法,包括图像预处理、 网 络模型训练以及溢油检测测试三个步骤， 通过对 获取的高光谱图像数据进行预处理， 避免异常光 谱波段影响溢油检测性能， 并将小波变换融入卷 积神经网络 结构中， 使MLWBDN网络 具有频域分解 和多分辨率 分析能力， 增强网络对复杂溢油区域 的精细化识别能力， 结合小波变换特点以及经典 Dense Block结构提出改进的SADFB模块， SADFB 利用密接操作实现了小波多 频分量融合， 通过连 续附接策略减少了网络参数， 同时通过特征复用 避免了梯度消失， 得益于MLWBDN网络的多级特征 联合决策机制， 且可以通过调整分支结构的数 量， 应对不同尺度的检测任务。 权利要求书2页 说明书6页 附图5页 CN 114897814 A 2022.08.12 CN 114897814 A 1.基于多级小波分解密接网络的高光谱图像溢油检测方法， 其特征在于： 包括以下步 骤： 步骤一、 图像预处 理 获取原始溢油高光谱图像数据， 并对获取的原始溢油高光谱图像数据进行归一化和降 维处理， 得到处理后的溢油高光谱图像样本数据， 再将得到的样本数据进 行格式转换， 转换 成为模型输入的格式； 步骤二、 网络模型训练 首先确定网络的结构参数， 并根据结构参数构建， MLWBDN网络模型， 其次， 确定网络的 超参数， 超参数包括模型训练配置和输入数据格式， 对建立后的网络进 行参数初始 化， 初始 化完成后根据设置的超参数， 进行网络模型训练， 在训练过程中， 训练集中的样本以Patch 形式按批量输入网络， 通过网络前向计算得到预测溢油检测结果， 将预测结果与实际标签 一同输入损失函数计算损失， 之后通过反向传播进行网络参数更新， 所有训练样本都参与 了训练即完成一次完整迭代； 步骤三、 溢油检测 测试 将步骤二中训练得到的最优 网络参数应用于待检测溢油数据之中， 将未知类别的待检 测样本输入训练后的网络模型， 进行溢油检测， 并输出检测结果。 2.根据权利要求1的基于多级小波分解密接网络的高光谱图像溢油检测方法， 其特征 在于： 所述步骤一中， 避免异常光谱波段影响溢油检测性能， 采用最大值归一化方法对所有 高光谱样本数据进行处 理， 公式如下： 式中， Inorm表示归一化后的光谱波段值， I代表原始光谱序列， Imin与Imax分别代表样本光 谱序列中的最小值和最大值。 3.根据权利要求1的基于多级小波分解密接网络的高光谱图像溢油检测方法， 其特征 在于： 所述步骤一中， 由处理后的溢油高光谱图像样本数据组成一个溢油数据集， 并将该溢 油数据集划分为训练集、 验证集和 测试集。 4.根据权利要求1的基于多级小波分解密接网络的高光谱图像溢油检测方法， 其特征 在于： 所述步骤二中， 结构参数包括网络输入Patch大小、 网络分支数量、 分类类别 数、 压缩 率、 Dropout值和成长率， 超参数包括学习率、 迭代次数、 优化器选取、 批处理数和损失函数， 所述损失函数为分类的交叉熵损失函数。 5.根据权利要求1的基于多级小波分解密接网络的高光谱图像溢油检测方法， 其特征 在于： 所述步骤二中， 通过随机批量梯度下降算法， 网络模型会朝着令损失最小的方向更新 参数， 使网络损失不断降低， 直到损失收敛或达 到最大迭代次数则训练结束。 6.根据权利要求1的基于多级小波分解密接网络的高光谱图像溢油检测方法， 其特征 在于： 所述步骤二中， MLWBDN网络整体上是一种多分支联合分类网络， 包括多 频特征分解模 块MFFDB、 连续附接融合模块SADFB和多 级特征联合决策机制。 7.根据权利要求1的基于多级小波分解密接网络的高光谱图像溢油检测方法， 其特征 在于： 所述步骤二中， 在每隔若干次迭代之后， 网络参数被固定并保存， 之后使用验证集测权　利　要　求　书 1/2 页 2 CN 114897814 A 2试网络溢油检测精度， 当训练结束后， 在验证集中表现最好的训练模型参数即为最优网络 参数。 8.根据权利要求5的基于多级小波分解密接网络的高光谱图像溢油检测方法， 其特征 在于： 所述步骤三中， 在验证实验中， 通过测试集对训练好的网络模型进行测试， 以便通过 已知标签对网络进行性能评估。权　利　要　求　书 2/2 页 3 CN 114897814 A 3