使用深度学习进行海上雷达数据质量管控自动化

本文说明Miros公司设计的一套Wavex传感器系统，如何精准测量波浪、洋流、以及对水航速，并使用深度学习网络来自动辨识测量下取得的雷达数据，进一步提升Wavex系统的表现与可靠度。

对海上船只而言，海浪、洋流、对水航速（speed through water）等量测数据的准确性，对于船只执行各种任务，如燃料优化、或在受限区域内导航等，具有很高的价值。举例来说，对水航速量测错误，即使只是一些微小误差，就有可能对船舰效能的计算带来重大错误，让每天的燃料使用量多出好几十吨。传统上，对水航速是透过水下的测速仪器来测量，这类仪器使用船体承受的水压差异（水压计程仪），通过声纳讯号的都卜勒偏移（都卜勒测速仪；Doppler velocity log），或通过藉由通电的线圈与移动水体的交互作用产生的讯号（电磁式测速仪；electromagnetic log）来估计船速。这些系统维护起来的成本高昂，而且容易因为泡沫、乱流或其他船只运动产生的干扰受到影响。

在Miros公司，我们设计了一套称为Wavex的传感器系统，它可以精准地测量波浪、洋流、及对水航速。我们这一个系统处理从常见的海用X波段导航雷达的数字化影像，消除干扰问题以及与水下传感器有关的维护费用。我们也使用深度学习网络来自动辨识，例如下大雨等在较差量测条件下所取得的雷达影像，以进一步提升Wavex的表现与可靠度（图1）。


 
图1 : 雷达影像上半部的波浪的型态出现因大雨造成的干扰。

在这一个降雨的案例，我们可以忽略雷达影像中受到干扰的区域，只使用未被干扰的区域来取得量测值。我们使用MATLAB和Deep Learning Toolbox（深度学习工具箱），结果是所建立的网络以高于97%的准确度精准地辨识降雨，而辨识风降的准确率更高于99%。

不同于传统的图像处理算法需要依不同的量测条件、几何条件、与雷达类型来进行校正，利用MATLAB所设计出来的深度学习网络，在各种量测情境都可以达到很高的准确度，不需要再另外调整或校正。

在MATLAB完成深度学习网络的训练与检验之后，再使用MATLAB Compiler将该网络作为一个独立的应用程序部署在Wavex系统，这系统能对水航速、洋流、经过分级的方向波谱、以及经过整合的波浪参数如波浪高度等，提供近乎实时量测数据（图2）。

 
图2 : Wavex用户接口范例，显示了对水船速、风、浪的量测资料。

以雷达为基础的海象量测和风雨效应
使用典型的海用X波段雷达天线、每分钟以15到48圈的速率转动，所产生的数字化影像可清晰地看见波浪型态如图3，Wavex系统从该数字化影像中撷取笛卡儿影像区段（Cartesian image sections），接着使用MATLAB来开发处理这些区段的算法。

这些算法运用噪声过滤，并且以笛卡儿影像的时间序列执行3-D快速傅立叶变换（fast Fourier transforms；FFTs），产生带有关于出现在于各种波数和频率的功率数据的3-D波谱，接着算法使用波数-频率频谱来估计洋流与对水航速，以及经过分级的波谱和整合的波浪参数。

 
图3 : 来自海用X波段导航雷达的数字化影像输出，显示撷取出的笛卡儿区段

某些特定的环境条件，像是低风速和降雨，会导致数字化影像的失真，难以从中撷取出有意义的信息（图4）。而设定的深度学习目标是要建立一个网络（network）来自动辨识那些严重失真、难以使用于各种海象量测的笛卡儿区段。

 
图4 : 在降雨期间（上）与风速下降（下）期间拍摄到的数字化雷达影像。

运用深度学习于影像分类
以深度学习来处理影像分类问题的第一个步骤，要取得各种特性的影像数据并且进行标记，用来训练之后的深度学习网络。为此，我们从六个不同的Wavex系统中收集了一组时间超过十年、数量超过7百万的笛卡儿影像区段。我们将每一个影像区段进行标记，并归类到下列五种类别：无风降或降雨、显著降雨、显著风降、显著降雨和风降、以及未分类。为了减少需要的工作，让标记更方便执行，使用整合的视觉评估，并将对从其他来源的有效数据，例如从船板传感器收集到风的数据，也进行自动化的标记工作。

如同团队中的其他成员一样，对于MATLAB和较为通用的机器学习有一些经验，但完全没有任何深度学习的应用开发经验。为了学习，我从MATLAB产品家族的Deep Learning Toolbox（深度学习工具箱）的教学课程和范例开始，先使用简单的卷积神经网络来进行影像分类的深度学习。

第一步，我们尝试一些预先训练的模型，但很快地发现如果是依照之前看过的程序范例来建立我们自己的深度学习网络的话，效果可能会更好。我透过几种网络架构来进行实验，直到建置起一个有123层的网络。这个网络有着相当标准的结构。影像输出层后面有五个群组，每个群组各配有一个2-D卷积层、一个批量标准化层、一个线性整流函式（rectified linear unit；ReLU）层、以及一个最大池化层。在最后一个群组，则以一个全连接层来取代最大池化层。这个群组后面接着一个softmax层和一个分类输出层（图5）。


 
图5 : 雷达影像分类的网络架构。

一开始，使用从各个Wavex系统收集来的数据分别对该网络进行训练，然后确认它可以将影像精准地从其他系统区别出来。接着，再加上使用所有系统的影像进行训练，以改善网络在各种雷达种类和操作条件下的精确度。举例来说，尝试在第一个卷积层的尺寸进行变化，也尝试各种网络的深度、不同的影像输出层标准化方法。

部署与未来的规划
为了将经过训练的最终深度学习网络和算法整合到Wavex系统，使用MATLAB Compiler来产生一个独立的应用程序，如此可以将R&D的心力亦即模型的开发与训练?快速地转移到生产环境来进行自动质量管控。而产生的应用程序会扫描从每一个运行雷达系统产生的极性影像中所撷取出来的笛卡儿影像区段，接着会将它们分类，并且将结果与其他所有量测值储存在Wavex软件存取的数据库。完成这样的整合之后，使用MATLAB的可视化工具来验证系统在各种条件下的效能，将使用自动进行风降和降雨侦测时的性能表现，与未启用自动侦测时的基准来做比较。

图6展示一个包含许多事件的时期的范例，可看到以深度学习为基础的应用程序能准确地辨识各种情况，且可为数据加上正确的卷标，让用户可以取得优化的流程和经过改善的数据。



 
图6 : 波浪高度量测值图表，包含以深度学习为基础的降雨和风降侦测被启用（蓝色线段）与未被启用（红色线段）时的结果。

我们所开发的这个独立的深度学习应用程序，现在已经运行在一些船只上的Wavex系统进行生产端的测试，而团队目前也正试图运用类似的深度学习方法来为几种不同的新应用进行影像和讯号分类。

（本文由钛思科技提供；作者Rune Gangeskar任职于Miros公司）