基于深度神经网络模型优化的海水养殖遥感信息提取.pdf

摘要

摘要

中国有着悠久的农业历史和文化，积累了丰富的农业技术和经验，海水养殖业作

为我国农业的重要组成部分，随着海水养殖业的快速发展，为海洋环境的保护带来了

极大的挑战，不合理的养殖规划和管理严重破坏了海洋生态环境。浮筏养殖作为我国

主要的海水养殖方式之一，从合成孔径雷达（SyntheticApertureRadar,SAR）影像中

准确提取浮筏养殖目标，实现海水养殖监测，对于提高我国海水养殖发展的规模和效

益具有重要意义。近年来，具有编解码结构的全卷积网络在图像分割领域中给出了重

要解决方案，然而深度神经网络用于遥感影像智能解译的过程中，需要专家人工经验

设定网络参数，并且耗费大量时间训练和反复调试。为解决这一问题，提出了群体智

能优化方法与深度神经网络模型相结合，使用粒子群优化算法探索模型的最佳网络参

数的方法，在此基础上设计并实现了一个用于提取海水养殖遥感信息的系统。本文的

主要研究内容如下：

1U-net

（）对于经典语义分割模型，提出一种使用传统的粒子群优化算法来自动

搜索U-net模型参数的方法，称为PSO-U-net，能够避免人工设置U-net模型参数固

定的情况，在个体和群体的交互学习中灵活更新模型参数。

2MDOAU-net

（）对于海水浮筏养殖监测的全卷积编解码网络模型，构建一种使

用粒子群优化算法用于自动化设计全卷积编解码网络模型参数的方法，称为

EPSO-MDOAU-net。在EPSO-MDOAU-net模型粒子评估和种群进化的迭代更新过程

中加入了早停策略，允许不同粒子训练不同的时间，加快参数搜索的收敛速度，保证

粒子的学习和进化。

3

（）在上述研究的基础上设计并实现了一个基于深度神经网络的海水养殖遥感

信息提取系统。该系统通过运用优化过后的深度神经网络模型，实现对海水浮筏养殖

的遥感SAR影像分割，能够对海水养殖遥感信息进行精确提取和评估。

关键词：海水养殖；遥感SAR影像；粒子群优化算法；U-net模型；全卷积编解码网

络

I

Abstract

Abstract

Chinahasalongagriculturalhistoryandculturetoaccumulaterich

agriculturaltechnologyandexperience.Marineaquacultureisanimportant

componentofagricultureinourcountry.Withtherapiddevelopmentofmarine

aquacultureindustry,theprotectionofmarineenvironmenthasbroughtgreat

pressureandunreasonableaquacultureplanningandmanagementhaveseriously

damagedthemarineecologicalenvironment.Asoneofthemainwaysofmarine

aquacultureinourcountry,itisofgreatsignificancetoaccuratelyextract

thetargetoffloatingraftaquaculturefromSyntheticApertureRadar(SAR)

imagesandrealizemarineaquaculturemonitoring,soastoimprovethescale

andbenefitofthedevelopmentofmarineaquacultureinourcountry.Inrecent