使用深度學(xué)習進(jìn)行海上雷達數據質(zhì)量管控自動(dòng)化

本文說(shuō)明Miros公司設計的一套Wavex傳感器系統，如何精準測量波浪、洋流、以及對水航速，并使用深度學(xué)習網(wǎng)絡(luò )來(lái)自動(dòng)辨識測量下取得的雷達數據，進(jìn)一步提升Wavex系統的表現與可靠度。

對海上船只而言，海浪、洋流、對水航速（speed through water）等量測數據的準確性，對于船只執行各種任務(wù)，如燃料優(yōu)化、或在受限區域內導航等，具有很高的價(jià)值。舉例來(lái)說(shuō)，對水航速量測錯誤，即使只是一些微小誤差，就有可能對船艦效能的計算帶來(lái)重大錯誤，讓每天的燃料使用量多出好幾十噸。傳統上，對水航速是透過(guò)水下的測速儀器來(lái)測量，這類(lèi)儀器使用船體承受的水壓差異（水壓計程儀），通過(guò)聲納訊號的都卜勒偏移（都卜勒測速儀；Doppler velocity log），或通過(guò)藉由通電的線(xiàn)圈與移動(dòng)水體的交互作用產(chǎn)生的訊號（電磁式測速儀；electromagnetic log）來(lái)估計船速。這些系統維護起來(lái)的成本高昂，而且容易因為泡沫、亂流或其他船只運動(dòng)產(chǎn)生的干擾受到影響。

在Miros公司，我們設計了一套稱(chēng)為Wavex的傳感器系統，它可以精準地測量波浪、洋流、及對水航速。我們這一個(gè)系統處理從常見(jiàn)的海用X波段導航雷達的數字化影像，消除干擾問(wèn)題以及與水下傳感器有關(guān)的維護費用。我們也使用深度學(xué)習網(wǎng)絡(luò )來(lái)自動(dòng)辨識，例如下大雨等在較差量測條件下所取得的雷達影像，以進(jìn)一步提升Wavex的表現與可靠度（圖1）。


 
圖1 : 雷達影像上半部的波浪的型態(tài)出現因大雨造成的干擾。

在這一個(gè)降雨的案例，我們可以忽略雷達影像中受到干擾的區域，只使用未被干擾的區域來(lái)取得量測值。我們使用MATLAB和Deep Learning Toolbox（深度學(xué)習工具箱），結果是所建立的網(wǎng)絡(luò )以高于97%的準確度精準地辨識降雨，而辨識風(fēng)降的準確率更高于99%。

不同于傳統的圖像處理算法需要依不同的量測條件、幾何條件、與雷達類(lèi)型來(lái)進(jìn)行校正，利用MATLAB所設計出來(lái)的深度學(xué)習網(wǎng)絡(luò )，在各種量測情境都可以達到很高的準確度，不需要再另外調整或校正。

在MATLAB完成深度學(xué)習網(wǎng)絡(luò )的訓練與檢驗之后，再使用MATLAB Compiler將該網(wǎng)絡(luò )作為一個(gè)獨立的應用程序部署在Wavex系統，這系統能對水航速、洋流、經(jīng)過(guò)分級的方向波譜、以及經(jīng)過(guò)整合的波浪參數如波浪高度等，提供近乎實(shí)時(shí)量測數據（圖2）。

 
圖2 : Wavex用戶(hù)接口范例，顯示了對水船速、風(fēng)、浪的量測資料。

以雷達為基礎的海象量測和風(fēng)雨效應
使用典型的海用X波段雷達天線(xiàn)、每分鐘以15到48圈的速率轉動(dòng)，所產(chǎn)生的數字化影像可清晰地看見(jiàn)波浪型態(tài)如圖3，Wavex系統從該數字化影像中擷取笛卡兒影像區段（Cartesian image sections），接著(zhù)使用MATLAB來(lái)開(kāi)發(fā)處理這些區段的算法。

這些算法運用噪聲過(guò)濾，并且以笛卡兒影像的時(shí)間序列執行3-D快速傅立葉變換（fast Fourier transforms；FFTs），產(chǎn)生帶有關(guān)于出現在于各種波數和頻率的功率數據的3-D波譜，接著(zhù)算法使用波數-頻率頻譜來(lái)估計洋流與對水航速，以及經(jīng)過(guò)分級的波譜和整合的波浪參數。

 
圖3 : 來(lái)自海用X波段導航雷達的數字化影像輸出，顯示擷取出的笛卡兒區段

某些特定的環(huán)境條件，像是低風(fēng)速和降雨，會(huì )導致數字化影像的失真，難以從中擷取出有意義的信息（圖4）。而設定的深度學(xué)習目標是要建立一個(gè)網(wǎng)絡(luò )（network）來(lái)自動(dòng)辨識那些嚴重失真、難以使用于各種海象量測的笛卡兒區段。

 
圖4 : 在降雨期間（上）與風(fēng)速下降（下）期間拍攝到的數字化雷達影像。

運用深度學(xué)習于影像分類(lèi)
以深度學(xué)習來(lái)處理影像分類(lèi)問(wèn)題的第一個(gè)步驟，要取得各種特性的影像數據并且進(jìn)行標記，用來(lái)訓練之后的深度學(xué)習網(wǎng)絡(luò )。為此，我們從六個(gè)不同的Wavex系統中收集了一組時(shí)間超過(guò)十年、數量超過(guò)7百萬(wàn)的笛卡兒影像區段。我們將每一個(gè)影像區段進(jìn)行標記，并歸類(lèi)到下列五種類(lèi)別：無(wú)風(fēng)降或降雨、顯著(zhù)降雨、顯著(zhù)風(fēng)降、顯著(zhù)降雨和風(fēng)降、以及未分類(lèi)。為了減少需要的工作，讓標記更方便執行，使用整合的視覺(jué)評估，并將對從其他來(lái)源的有效數據，例如從船板傳感器收集到風(fēng)的數據，也進(jìn)行自動(dòng)化的標記工作。

如同團隊中的其他成員一樣，對于MATLAB和較為通用的機器學(xué)習有一些經(jīng)驗，但完全沒(méi)有任何深度學(xué)習的應用開(kāi)發(fā)經(jīng)驗。為了學(xué)習，我從MATLAB產(chǎn)品家族的Deep Learning Toolbox（深度學(xué)習工具箱）的教學(xué)課程和范例開(kāi)始，先使用簡(jiǎn)單的卷積神經(jīng)網(wǎng)絡(luò )來(lái)進(jìn)行影像分類(lèi)的深度學(xué)習。

第一步，我們嘗試一些預先訓練的模型，但很快地發(fā)現如果是依照之前看過(guò)的程序范例來(lái)建立我們自己的深度學(xué)習網(wǎng)絡(luò )的話(huà)，效果可能會(huì )更好。我透過(guò)幾種網(wǎng)絡(luò )架構來(lái)進(jìn)行實(shí)驗，直到建置起一個(gè)有123層的網(wǎng)絡(luò )。這個(gè)網(wǎng)絡(luò )有著(zhù)相當標準的結構。影像輸出層后面有五個(gè)群組，每個(gè)群組各配有一個(gè)2-D卷積層、一個(gè)批量標準化層、一個(gè)線(xiàn)性整流函式（rectified linear unit；ReLU）層、以及一個(gè)最大池化層。在最后一個(gè)群組，則以一個(gè)全連接層來(lái)取代最大池化層。這個(gè)群組后面接著(zhù)一個(gè)softmax層和一個(gè)分類(lèi)輸出層（圖5）。


 
圖5 : 雷達影像分類(lèi)的網(wǎng)絡(luò )架構。

一開(kāi)始，使用從各個(gè)Wavex系統收集來(lái)的數據分別對該網(wǎng)絡(luò )進(jìn)行訓練，然后確認它可以將影像精準地從其他系統區別出來(lái)。接著(zhù)，再加上使用所有系統的影像進(jìn)行訓練，以改善網(wǎng)絡(luò )在各種雷達種類(lèi)和操作條件下的精確度。舉例來(lái)說(shuō)，嘗試在第一個(gè)卷積層的尺寸進(jìn)行變化，也嘗試各種網(wǎng)絡(luò )的深度、不同的影像輸出層標準化方法。

部署與未來(lái)的規劃
為了將經(jīng)過(guò)訓練的最終深度學(xué)習網(wǎng)絡(luò )和算法整合到Wavex系統，使用MATLAB Compiler來(lái)產(chǎn)生一個(gè)獨立的應用程序，如此可以將R&D的心力亦即模型的開(kāi)發(fā)與訓練?快速地轉移到生產(chǎn)環(huán)境來(lái)進(jìn)行自動(dòng)質(zhì)量管控。而產(chǎn)生的應用程序會(huì )掃描從每一個(gè)運行雷達系統產(chǎn)生的極性影像中所擷取出來(lái)的笛卡兒影像區段，接著(zhù)會(huì )將它們分類(lèi)，并且將結果與其他所有量測值儲存在Wavex軟件存取的數據庫。完成這樣的整合之后，使用MATLAB的可視化工具來(lái)驗證系統在各種條件下的效能，將使用自動(dòng)進(jìn)行風(fēng)降和降雨偵測時(shí)的性能表現，與未啟用自動(dòng)偵測時(shí)的基準來(lái)做比較。

圖6展示一個(gè)包含許多事件的時(shí)期的范例，可看到以深度學(xué)習為基礎的應用程序能準確地辨識各種情況，且可為數據加上正確的卷標，讓用戶(hù)可以取得優(yōu)化的流程和經(jīng)過(guò)改善的數據。



 
圖6 : 波浪高度量測值圖表，包含以深度學(xué)習為基礎的降雨和風(fēng)降偵測被啟用（藍色線(xiàn)段）與未被啟用（紅色線(xiàn)段）時(shí)的結果。

我們所開(kāi)發(fā)的這個(gè)獨立的深度學(xué)習應用程序，現在已經(jīng)運行在一些船只上的Wavex系統進(jìn)行生產(chǎn)端的測試，而團隊目前也正試圖運用類(lèi)似的深度學(xué)習方法來(lái)為幾種不同的新應用進(jìn)行影像和訊號分類(lèi)。

（本文由鈦思科技提供；作者Rune Gangeskar任職于Miros公司）